用于单阶段人脸检测的特征聚合网络
计算机视觉与模式识别
2018-09-11 v2
摘要
近年来，基于深度学习的人脸检测取得了令人瞩目的成果。尽管进展显著，自然场景中的人脸检测仍是一个开放的研究挑战，尤其在检测尺度与特征差异极大的人脸时。本文提出一种新颖、简洁而有效的“特征聚合网络”(FANet)框架，以构建新的单阶段人脸检测器，其不仅达到最先进的性能，且运行高效。受特征金字塔网络(FPN)启发，该框架的核心思想是以极小的额外计算代价，通过分层聚合方式将不同尺度的更高层语义特征图作为上下文线索，以增强低层特征图，从而利用单一卷积神经网络固有的多尺度特征。我们进一步提出一种分层损失来有效训练 FANet 模型。我们在多个公开人脸检测基准上评估所提出的 FANet 检测器，包括 PASCAL face、FDDB 和 WIDER FACE 数据集，并取得了最先进的结果。我们的检测器在 GPU 上对 VGA 分辨率图像可实时运行。
引用
@article{arxiv.1712.00721,
title = {Feature Agglomeration Networks for Single Stage Face Detection},
author = {Jialiang Zhang and Xiongwei Wu and Jianke Zhu and Steven C. H. Hoi},
journal= {arXiv preprint arXiv:1712.00721},
year = {2018}
}