HAMBox：探究用于检测边缘人脸的在线高质量锚框挖掘
计算机视觉与模式识别
2019-12-31 v1
摘要
当前人脸检测器利用锚框来构建结合分类与边界框回归的多任务学习问题。有效的锚框设计与锚框匹配策略使人脸检测器能够在大幅姿态与尺度变化下定位人脸。然而，我们观察到在推理阶段，超过 80% 正确预测的边界框是由未匹配锚框（锚框与目标人脸的 IoU 低于阈值）回归得到。这表明这些未匹配锚框具备优异的回归能力，但现有方法忽略了从中学习。本文提出一种在线高质量锚框挖掘策略（HAMBox），显式地帮助边缘人脸补偿以高质量锚框。我们提出的 HAMBox 方法可作为基于锚框的单阶段人脸检测的通用策略。在包括 WIDER FACE、FDDB、AFW 和 PASCAL Face 在内的多个数据集上的实验证明了所提方法的优越性。此外，我们的团队赢得了 2019 年 WIDER Face and Pedestrian Challenge 人脸检测测试赛道的冠军。我们将使用 PaddlePaddle 发布代码。
引用
@article{arxiv.1912.09231,
title = {HAMBox: Delving into Online High-quality Anchors Mining for Detecting Outer Faces},
author = {Yang Liu and Xu Tang and Xiang Wu and Junyu Han and Jingtuo Liu and Errui Ding},
journal= {arXiv preprint arXiv:1912.09231},
year = {2019}
}
备注
9 pages, 6 figures. arXiv admin note: text overlap with 1802.09058 by other authors