用于无约束“困难人脸”准确检测的多路径基于区域卷积神经网络
计算机视觉与模式识别
2017-03-28 v1
摘要
尺度大幅变化在无约束人脸检测中仍是一项挑战。据我们所知，现有任何人脸检测算法都无法在单幅图像中同时以同等高精度检测一个大到 800×800 像素的人脸和另一个小至 8×8 像素的人脸。我们提出一种两阶段级联人脸检测框架——多路径基于区域的卷积神经网络(MP-RCNN)，将深度神经网络与经典学习策略无缝结合，以应对该挑战。第一阶段为多路径区域提议网络(MP-RPN)，以三种不同尺度提议人脸。它同时利用卷积特征图的三个并行输出来预测多尺度候选人脸区域。MP-RPN中嵌入了“空洞(atrous)”卷积技巧（使用上采样滤波器的卷积）以及新提出的针对“困难”样本的采样层，以进一步提升性能。第二阶段为提升森林(Boosted Forests)分类器，利用从候选人脸区域内部提取的深度人脸特征，以及从候选人脸区域周边更大范围提取的深度上下文特征。引入此步骤以进一步剔除困难负样本。实验表明，该方法在 WIDER FACE 数据集的“困难”子集上取得了当前最佳的人脸检测性能，其平均精度(Average Precision)比此前最好结果高出 9.6%。
引用
@article{arxiv.1703.09145,
title = {Multi-Path Region-Based Convolutional Neural Network for Accurate Detection of Unconstrained "Hard Faces"},
author = {Yuguang Liu and Martin D. Levine},
journal= {arXiv preprint arXiv:1703.09145},
year = {2017}
}
备注
11 pages, 7 figures, to be presented at CRV 2017