利用特征融合与分割监督学习更优特征以进行人脸检测
计算机视觉与模式识别
2019-04-26 v3
摘要
随着卷积神经网络的发展，人脸检测器的性能已大幅提升。然而，对于微小、遮挡或模糊人脸的检测，人脸检测器仍具挑战。此外，大多数人脸检测器无法精确定位人脸位置，也难以取得高交并比（IoU）分数。我们推测，其内在问题在于监督信息利用不足，以及即便借助特征金字塔网络（FPN），CNN 各层特征图之间语义与细节的不平衡。本文提出一种新颖的单阶段人脸检测网络，名为 DFS（带特征融合与分割监督的检测），其在 ResNet-50 上引入更有效的特征融合金字塔与更高效的分割分支以应对上述问题。具体而言，受 FPN 与 SENet 启发，我们将高层特征图的语义信息作为上下文线索，以空间与通道注意力方式增强低层特征图，防止细节被过多语义掩盖，并使语义与细节互补。我们进一步提出语义分割分支，以充分利用检测监督信息，同时以自监督方式施加注意力机制。该分割分支以弱分割真值（无需额外标注）按层次方式监督，在推理时弃用，故不影响推理速度。我们在 WIDER FACE 数据集上评估模型，取得了当前最优结果。
引用
@article{arxiv.1811.08557,
title = {Learning Better Features for Face Detection with Feature Fusion and Segmentation Supervision},
author = {Wanxin Tian and Zixuan Wang and Haifeng Shen and Weihong Deng and Yiping Meng and Binghui Chen and Xiubao Zhang and Yuan Zhao and Xiehe Huang},
journal= {arXiv preprint arXiv:1811.08557},
year = {2019}
}
备注
10 pages, 4 figures. arXiv admin note: text overlap with arXiv:1711.07246, arXiv:1712.00721 by other authors