43、基于无人机的人脸检测自注意力网络研究

基于无人机的人脸检测自注意力网络研究

1. 引言

在日常生活中，人脸检测有着广泛的应用，如跟踪、人脸识别和面部表情分析等，是计算机视觉领域的基础且重要的步骤。早期的人脸检测主要采用手工特征，但效果不佳。随着深度学习的发展，人脸检测取得了巨大的进步。

与此同时，无人机作为一个新兴行业，凭借先进的技术在军事、消防救援和公共安全等众多领域得到了广泛应用。由于其在特定任务中的便利性和灵活性，人们自然地想到利用无人机进行人脸检测，而人脸检测是实现人脸识别的第一步，对于后续的跟踪和救援工作具有重要意义。

然而，无人机在空中检测到的人脸与地面上看到的人脸存在很大差异，范围更广且人脸更小，尺度变化问题日益明显。此外，缺乏专门针对无人机人脸检测的数据集，直接将在公共人脸检测基准WIDER FACE上训练和测试的算法应用到无人机上时，模型的检测性能会因缺乏专用训练数据和地面与空中的差异而显著下降。

为了解决这些问题，研究人员提出了一种名为Face Self - attention Network（FSN）的新型网络。该网络与在COCO通用目标检测中达到先进水平的RetinaNet设置类似，但增加了自注意力机制，以增强关键特征的权重。与ScaleFace相比，使用ResNet50时，FSN在WIDER FACE的困难集（阈值为0.5）上的平均精度（AP）达到了82.0%，超过了ScaleFace 4.8%。

2. 相关工作

2.1 人脸检测

由于人脸检测的实用性，众多研究人员投入了大量精力。Viola - Jones尝试使用Adaboost和Haar - like特征训练级联模型，取得了不错的效果，这被认为是人脸检