MOS：一种用于人脸检测、关键点定位与头部姿态估计的低延迟轻量框架
计算机视觉与模式识别
2021-11-02 v3 人工智能
摘要
随着服务机器人与监控摄像头的出现，野外动态人脸识别（DFR）近年来备受关注。人脸检测与头部姿态估计是 DFR 的两个重要步骤。通常姿态在人脸检测之后估计，然而这种顺序计算导致更高延迟。本文提出一种低延迟轻量网络，用于同步进行人脸检测、关键点定位与头部姿态估计。受大角度人脸关键点定位更困难这一观察的启发，提出一种姿态损失以约束学习。此外，我们还提出不确定性多任务损失，自动学习各任务的权重。另一挑战是机器人常使用 ARM 等低算力单元，往往需用轻量网络替代重型网络，导致性能下降，尤其对小尺寸困难人脸。本文提出在线反馈采样，跨尺度增广训练样本，自动增加训练数据多样性。在常用 WIDER FACE、AFLW 和 AFLW2000 数据集上验证，结果表明所提方法在低计算资源下达到最优性能。代码与数据将发布于 https://github.com/lyp-deeplearning/MOS-Multi-Task-Face-Detect。
引用
@article{arxiv.2110.10953,
title = {MOS: A Low Latency and Lightweight Framework for Face Detection, Landmark Localization, and Head Pose Estimation},
author = {Yepeng Liu and Zaiwang Gu and Shenghua Gao and Dong Wang and Yusheng Zeng and Jun Cheng},
journal= {arXiv preprint arXiv:2110.10953},
year = {2021}
}
备注
Accepted at BMVC 2021