shuzfan的专栏

本文介绍了用卷积神经网络改进传统NMS的方法，文章来源于2016ICLR《A CONVNET FOR NON-MAXIMUM SUPPRESSION》，该文章状态为正在审核。1-传统的NMS2-NMS-ConvNet2-1 映射制作score map2-2 制作IOU层2-3 网络解析2-4 输出及Loss未完待续

本次介绍一篇来自旷视科技的人脸检测文章：《2016 ACM MM UnitBox: An Advanced Object Detection Network》.代码应该是不会放出来了，但好在实现比较简单。 ———————————— 分割线 ———————————— Introduction 目标检测可以视作两个任务：目标定位 + 视觉识别。基于深度学习的目标检测大致又可以分为三个部分：（1）Reg

本次介绍人脸检测检测方法HyperFace：《2016 PAMI HyperFace: A Deep Multi-task Learning Framework for Face Detection, Landmark Localization, Pose Estimation, and Gender Recognition. 核心导读： MultiTask，将人脸检测、关键点定位、头部角度估计和性

本次介绍人脸检测方法Faster R-CNN：《2016 Arxiv: Face Detection with the Faster R-CNN》.上面这篇文章，是对Faster R-CNN的人脸检测实现，原始的Faster R-CNN实现的是多目标检测，即下面这篇文章：《2015 CVPR: Faster R-CNN: Towards Real-Time Object Detection with

本次介绍一篇速度爆表人脸检测文章：《2015 Arxiv: Compact Convolutional Neural Network Cascade for Face Detection》.作者有一个github链接，https://github.com/Bkmz21/FD-Evaluation,但是里面只是评价工具并没有检测的工具。 评价： 速度是很快，但是性能应该来说比较差，只比公开的Openc

本次介绍一篇来自微软的人脸检测文章：《2016 ECCV Supervised Transformer Network for Efficient Face Detection》. 核心导读： （1） 训练了一个端到端的级联网络；（2） 引入了supervised transformer层，可以对候选窗口进行矫正以便后续更好地判断是否为人脸；（3） 引入了Non-top K的抑制策略，在保证召回率的

本次介绍一篇有关快速目标检测的文章《YOLO9000: Better, Faster, Stronger》。该方法记作YOLOv2，相比v1除了在性能上有所提升之外，更是在速度上令人惊异。项目主页：http://pjreddie.com/darknet/yolo/ —————————— Introduction —————————— 通用的目标检测不但要够快够准，还要能够检测多类的目标。但实际情

一篇同样着重处理人脸尺度问题的检测文章。 方法可以看作是对SSD的改进与完善，速度较慢(36FPS with Titan X & VGA)。文章链接： 《S3FD: Single Shot Scale-invariant Face Detector》code will be aviable at https://github.com/sfzhang15/SFD1. 方法介绍如上图，整体方法结构和SS

NMS（non maximum suppression），中文名非极大值抑制，在很多计算机视觉任务中都有广泛应用，如：边缘检测、目标检测等。这里主要以人脸检测中的应用为例，来说明NMS，并给出Matlab和C++示例程序。 人脸检测的一些概念（1） 绝大部分人脸检测器的核心是分类器，即给定一个尺寸固定图片，分类器判断是或者不是人脸；（2）将分类器进化为检测器的关键是：在原始图像上从多个尺度产生窗口，

本次介绍一篇来自小米黑科技的人脸检测文章：《arxiv: Bootstrapping Face Detection with Hard Negative Examples》.看完后续算法讲解之后，请自行体会人脸检测专业研究人员看到下图的感受。 ———————————— 分割线 ———————————— 文章很短，没有创新。 核心思想： Hard Negative Mining + Faster R-

一篇速度还可以的多尺度人脸检测文章。 方法和SSD大同小异。文章链接： 《FaceBoxes: A CPU Real-time Face Detector with High Accuracy》1. 方法介绍如上图，输入单张图片，在三个网络分支检测人脸。2. 要点介绍（1）Rapidly Digested Convolutional Layers(RDCL)在网络前期，使用RDCL快速的缩小feat

一篇关于如何处理多尺度人脸检测的文章。 从核心方法上来说和SSD没有本质的区别，只不过在实现细节上做了一些更为细致的工作。文章链接： 《Face Detection through Scale-Friendly Deep Convolutional Networks》1. 方法介绍如上图，采用ResNet网络，输入单张图片。 在网络不同阶段引出分支，然后后接RPN和Fast R-CNN。 共有3个分

原文参照Paul_Viola的《Rapid object detection using a boosted cascade of simplefeatures》本次翻译，包含简单的个人总结以方便理解文章。翻译内容可以主要关注前4节，以便于快速把握文章内容。具体的分类器如何训练如何级联，后续会有博文详细解读。  翻译理解如果有问题的话，大家可以提出来。简单特征的优化级联在快

本文介绍的人脸检测方法，来源于2015CVPR《A Convolutional Neural Network Cascade for Face Detection》。本篇文章的方法可以说是对经典的Viola jones方法的深度卷积网络实现，并没有让人眼前一亮的地方，但依然有以下几点可以学习。（1）网络级联下图是该方法的整个流程示意图，可以明显看出是3阶级联（12-net、24-net、48-net

本次继续介绍一篇有关目标检测的论文 《Feature Pyramid Networks for Object Detection》，作者包含Piotr Dollar, Ross Girshick，何凯明等大神，阵容很好很强大。特征金字塔在基于深度学习的多尺度目标检测早有应用......

《Finding Tiny Face》小目标检测依然是检测领域的一个难题，原因大概有3个方面：目标本身尺度变化、图像分辨率以及环境因素。虽然很多方法都可以处理多尺度目标检测，但是检测一个3pixel大小的目标和一个500pixel大小的目标还是有本质不同的。

一篇讲通过改进NMS来提高检测效果的论文。文章链接： 《Improving Object Detection With One Line of Code》Github链接： https://github.com/bharatsingh430/soft-nmsMotivation 绝大部分目标检测方法，最后都要用到 NMS-非极大值抑制进行后处理。 通常的做法是将检测框按得分排序，然后保留得分最高的框

本文所介绍的人脸检测,主要学习和实现了ICMR-2015年雅虎实验室的文章”Multi-view Face Detection Using Deep Convolutional Neural Networks”.这是我接触和实现的第一个深度学习案例,本文除了讲解该文的算法以外,也是对我近2个月工作的总结.学习还不够深入，有不足之处欢迎大家提出指正。此外，本文在讲解的过程中会包含全部的源代码以及训练

又是一个用Faster R-CNN框架做人脸检测的，公开测试集指标又高了。T_T文章链接 《Face R-CNN》http://cn.arxiv.org/abs/1706.01061大体的框架保持不变：主要改进点：(1) Center loss对于最后的二分类，在softmax的基础上增加了center loss。为了使得center loss均衡，一个mini batch中正负样本比例限制为1：1

2017CVPR 文章链接： 《Scale-Aware Face Detection》对于人脸检测，通常我们需要采用各种手段小心的处理多尺度的问题。事实上，对于很多待检测图像，其只在某个尺度上才有人脸存在。如果我们可以“提前预知”哪些尺度上存在人脸，就可以针对性的进行检测从而减少计算量。1. 方法介绍整个检测分为两个阶段：stage1，输入缩小的图片进入Scale Proposal Network

本次介绍一篇速度还不错的人脸检测文章：《2016 Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks》. ———————————— Pipeline———————————— 上面是该方法的流程图，可以看出也是三阶级联，和我之前的一篇博文CascadeCNN很像。stage1: 在构建图