mtcnn V1 版本和v2 版本的不同

最新推荐文章于 2025-10-22 10:45:07 发布
原创 最新推荐文章于 2025-10-22 10:45:07 发布 · 3.8k 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

针对Jennifer_Aniston_0016.jpg图片中的面部特征点标注,V1和V2版本使用了不同的坐标集,包括facial5points及points两组数据,尽管来源相同但结果存在差异,探讨了不同版本间的一致性问题。

facial5points = [105.8306, 147.9323, 121.3533, 106.1169, 144.3622; ...
                 109.8005, 112.5533, 139.1172, 155.6359, 156.3451];
%%v1 
points=[104.1193,148.3160,121.8149,104.0445,143.9478;...
  108.4399,111.0527,139.4129,154.2114,155.3468];


%% v2
points=[106.6145,148.1295,122.1530,105.4348,144.9016,
            108.9417,111.6228,140.8989,155.1587,155.3341];


同样是来自于Jennifer_Aniston_0016.jpg 这个图片 但是发布的V1和V2 貌似是都不能达到最后的结果


jinggegebuaa
关注
深度学习五、MTCNN人脸检测与对齐和FaceNet人脸识别
qq_24946843的博客
03-09 8074
在说到人脸检测我们首先会想到利用Harr特征和Adaboost分类器进行人脸检测，其检测效果也是不错的，但是目前人脸检测的应用场景逐渐从室内演变到室外，从单一限定场景发展到广场、车站、地铁口等场景，人脸检测面临的要求越来越高，比如：人脸尺度多变、数量冗大、姿势多样包括俯拍人脸、戴帽子口罩等的遮挡、表情夸张、化妆伪装、光照条件恶劣、分辨率低甚至连肉眼都较难区分等。在这样复杂的环境下基于Haar特征...
MTCNN训练代码的相关问题
NIDHOG的博客
04-13 2037
最近在整MTCNN相关的东西，于是从github大佬处clone了一份，无奈本人手残，跑起来处处是报错。帖子上的询问均是石沉大海，只有遍搞边记录了，希望能坚持到跑通的那一天吧= =。 博文优快云：https://blog.youkuaiyun.com/weixin_36474809/article/details/82752199 博文代码：https://github.com/AITTSMD/MTCNN-Tensorflow。 README Download Wider Face Training part.
路由协议之RIP协议v1 v2版本的区别
ZYXKN的博客
10-08 3077
RIP（Routing information Protocol）是早期第一代动态路由协议，是一种基于距离矢量（Distance-Vector）算法来计算到达目的网络的最佳路径路由协议，它通过UDP报文进行路由信息的交换，使用的端口号为520，RIP是基于跳数（最多支持15跳）来衡量到达目的地址的距离，称为度量值，RIP协议有多个版本，分为v1/v2版。最近在复习所以简单写一下自己知道的随便记录一下。
Android入门教程十四(补充)之Android的V1与V2的区别
无名
01-29 543
不废话 V1: 旧的验证方式 V2: Android7.0以后新的验证方式 可以只勾选v1，但是在Android7.0以上不会应用新的签名方式; 如果只勾选V2，Android7.0以下的机子将无法安装APK！ 中肯的建议: 打包时最好同时勾选V1和V2 关注Android教程系列上篇博客 关注更多文章
HarmonyOS 状态管理 V1 与 V2 差异详解
最新发布
youtootech的博客
10-22 659
在基于 ArkUI / ArkTS 框架的 HarmonyOS 应用开发过程中，“状态管理”是 UI 渲染、交互逻辑与数据变化同步的核心机制。最初，状态管理机制发布的是所谓“V1”版本（我们统称为 V1）。随着框架演进、业务复杂度提升、嵌套对象、数组变化频繁且性能要求更高，华为在 HarmonyOS 5 中推动“状态管理 V2”（以下简称 V2）机制上线或试用，以期解决 V1 的一些痛点。华为开发者+2SegmentFault+2。
人脸检测综述---2010之2017
C++
03-30 966
文章转载于：https://www.imooc.com/article/details/id/32443 重点总结如下： 1 按检测对象类别分，目标检测可分为两类： 通用目标检测：检测图像中往往有多个类别目标，目标检测核心：n(目标类别数) + 1（背景）=(n + 1)分类问题；这类目标检测：模型比较大，速度较慢，很少有STOA方法能做到CPU real-time. 如imag...
【计算机视觉|人脸识别】 facenet-pytorch 项目中文说明文档
远
07-20 5045
为了方便中文开发者研究学习人脸识别相关任务、贡献代码，我将本项目的README文件以及位于 `examples` 里面的几个示例脚本中必要的部分翻译成了中文，以供参考。
基于YoloV5和MTCNN的Perclos方法检测疲劳（遇到困难重重，暂时不更新该主题了）
newsahara的博客
02-11 7654
自己的CV起步项目，有进展就会不断更新，如果有高手看到，还请不吝赐教。
InsightFace中MTCNN的版本使用
threelamb的博客
06-11 1352
InsightFace中在人脸检测使用了MTCNN，那使用的版本是v1还是v2没有提及，搜索未果。 自己查询了MTCNN源码发现v1和v2的区别就在于v2是对v1的一个扩充 原文如下： 'MTCNNv1' is an implementation of our 'Joint Face Detection and Alignment using Multi-task Cascaded Con...
『人脸识别』MTCNN之Pytorch版本教科书式详解
sinat_39783664的博客
02-11 1000
本文详细讲解了人工智能深度学习中最经典的神经网络之一：MTCNN。2万多字的内容，主要从理论和实践两方面对MTCNN进行详细分析，堪比教科书。话不读说，开始你的旅程吧！ 目录： 基础闲聊 人脸识别思想 MTCNN理论分析 项目代码详细分析 一.基础闲聊 1.识别： （1）数字识别：理想状态。图像大小一致，干扰项（噪声）很少； （2）人脸识别：现实状态。 2.在视频识别中。 1秒帧，即24张图片...
精选资源
tensorrt_demos:TensorRT YOLOv4，YOLOv3，SSD，MTCNN和GoogLeNet
05-11
在Jetson Nano上以27〜28 FPS运行优化的“ ssd_mobilenet_v1_coco”对象检测器（“ trt_ssd_async.py”）。 在Jetson Nano上以6〜11 FPS运行非常精确的优化“ MTCNN”面部检测器。 在Jetson Nano上以“每张图像〜...
fast_mtcnn
01-09
快速mtcnn，github上整理的，效果一般，速度贼快。
Fast-MTCNN:一项有关重新培训以优化mtcnn Pnet和ONet的临时工作。 它可以在Intel i7 6700k上以minSize 60（1920x1080）在CPU上达到100 + fps
04-30
快速MTCNN 关于保留mtcnn Pnet和Onet的休闲工作。 使其速度更快一点，在Intel i7 6700k（st）上可以达到100fps +（1920 * 1080 minSize 60），但是精度不是很好。 依存关系 仅OpenCV 3.4.1 该演示基于 DNN模块。 我的配备Intel i7 6700k（st）的计算机可以达到100fps +（1920 * 1080 minSize 60）并与OpenBLAS（OpenCV 3.4.1）编译，如果要获得更好的性能。可以使用进行编译以加速。 演示图片 去做 使用现代网络设计（瓶颈，深度转换，反向残留块...）优化PNet Rnet Onet。 FDDB基准。 当检测到的人脸增加时，计算共享可加快速度。 安索尔 于杰
颜色+形态学作为第一层的mtcnn车牌定位
08-28
由于上传大小限制，删除了第三层训练的资源文件。若是想自行训练的，运行net_144_data_imdb.py重新生成第三层资源文件就可以了。若是想直接哪来用的，修改fast_plate_detection_v2.py中的视频地址，然后运行就可以了。
SSD MTCNN YOLO基本对比
weixin_38740463的博客
07-11 7136
SSD与MTCNN的区别 1）生成训练数据的方式不同 MTCNN需要将训练样本事先生成好，同时生成label(分类label和回归label)，然后输入到网络中训练，而SSD直接输入原图，实际的训练数据由数据层和priorbox层共同完成，其中priorbox层用来确定每个样本的label,也就是说SSD将MTCNN的生成训练数据的部分融合到一个网络中，实现了真正意义上的端到端。 2）M...
10种轻量级人脸检测算法的比拼
热门推荐
nihate的专栏
09-25 2万+
最近在微信公众号里看到轻量级人脸检测算法大盘点的文章，里面还提供了github源码地址，我就把它们逐个下载到本地win10-cpu机器上，调试通过运行。去年在github下载过一个包含6种人脸检测的程序(地址是 https://github.com/cs-giung/face-detection-pytorch)，分别是pyramidbox，dsfd，s3fd，tinyface，facebox，mtcnn，但是这些算法大多是重量级的网络模型，它在一幅图片上的人脸检测结果和运行耗时统计直方图如下 可
MTCNN RetinaFace YoloFace
chencao100
08-15 1409
MTCNN Scrfd Yolo face
基于yolo的人脸检测与人脸对齐
阳光玻璃杯
10-04 6151
前言 YOLO（You Only Look Once）是一种基于深度神经网络的对象识别和定位算法，yolo将对象定位作为回归问题求解，在one-stage中实现对象定位与识别，其最大的特点就是快！快！快！ 既然yolo本来就是通过回归的方法对对象定位，并与此同时对对象进行分类。那我们很容易想到yolo在做对象定位的同时可以对对象的特征点进行回归，最常见的用例是人脸检测与人脸对齐同步完成。 将...
mtcnn和yolov5 yolov8常见问题 Android指定c++14
chezabo6116的博客
07-29 1384
第三阶段（O-Net）：精确地定位人脸，并给出人脸的五个关键点（左眼、右眼、鼻尖、左嘴角、右嘴角）。- YOLOv5作为新一代模型，可能在模型大小和复杂度上有所不同，这可能影响其在资源受限的设备上的表现。- 与MTCNN不同，YOLOv5不仅可以检测人脸，还可以检测图像中的多种对象，如车辆、动物等。- 如果目标检测任务专注于人脸检测，并且需要精确地定位人脸关键点，MTCNN可能是更好的选择。- YOLOv5的设计注重速度和准确性的平衡，适用于需要实时反馈的场景。
通过深度神经网络（FaceNet）生成特征向量，计算特征相似度： 相似度 = ∥ v 1 − v 2 ∥ 阈值 相似度= 阈值 ∥v1−v2∥ ​ 给我扩充为一段话
04-02
然后是相似度计算，用欧氏距离，公式是∥v1−v2∥²，不过实际可能用平方距离更高效。阈值方面，论文里提到0.6到1.0之间，但具体如何确定？可能需要用验证集，计算不同阈值下的F1分数或准确率，选最佳点。 实现过程...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值