DSFD: dual shot face detector

最新推荐文章于 2024-11-30 13:57:05 发布
原创 最新推荐文章于 2024-11-30 13:57:05 发布 · 1.6k 阅读 · 9 ·
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。
文章标签：

#人脸检测 #DSFD

DSFD为CVPR2019的人脸检测工作，提出双分支结构与新特征增强模块（FEM）。FEM作为FPN升级版，利用空洞卷积增强感受野。双分支结构中，第一条作为辅助监督，提升特征质量；第二条用于最终预测。优化的anchor匹配与progressive anchor loss进一步提高检测精度。

DSFD为CVPR2019的工作，作者提出一种双分支的人脸检测算法，网络结果如下
在这里插入图片描述
创新点如下：

1.一种新的特征增强模块（FEM）
在这里插入图片描述
该模块可看做FPN的升级版，在特征融合后使用空洞卷积捕捉多尺度表征增强感受野
在这里插入图片描述
对比实验发现涨点明显

2.双分支结构
DSFD为并行双预测分支组成，训练阶段两条分支都作预测，而测试阶段仅使用第二条分支（特征增强分支）。为什么使用双分支呢？作者提到可以将第一条预测分支看成是一种辅助监督，使得特征更符合人脸检测（个人理解：第一条分支可看成一种特征约束）。其中两条分支除了采用的anchor基础大小不一致以外（原特征分支anchor较小），其余均一致（包括预测方式，损失）。两条分支相关的参数如下所示
在这里插入图片描述

3.优化的anchor匹配
作者提到现有的anchor匹配存在一个问题，离散的anchor大小与连续的face大小不匹配。作者的解决策略为2/5概率采用anchor-based-sampling（ABS）（百度pyramid提出的数据增强手段）进行，作者相比于原ABS做了一点修改，在本文中作者随机从anchor

最低0.47元/天 解锁文章
DSFD-Dual Shot Face Detector人脸检测模型原理代码超全面解剖
Chown先森
11-21 1299
DSFD为19年腾讯提出的，用于人脸检测的轻量级实时模型，全称为Dual Shot Face Detector。接下来会给出模型的大结构，然后针对模型的创新点结合代码进行重点分析。 首先论文的效果图如下： 模型结构如下： 模型的输入像素为640，模型结构采用single stage doul shot，backbone网络采用vgg16，类似于PyramidBox或S3FD网络，选择conv3_3，conv4_3，conv5_3,conv_fc7, conv6_2和conv7_2作为First
YOLOv11改进 | 引入LCA交叉注意力机制和IEL特征增强模块
最新发布
走向CTO的路上...
11-05 880
本文提出了一种改进YOLOv11目标检测框架的方法，通过引入LCA交叉注意力机制和IEL特征增强模块，显著提升了模型在复杂场景下的检测性能。LCA机制结合局部卷积和交叉注意力，有效建模目标间的长距离依赖和局部上下文关系；IEL模块通过多分支卷积和通道注意力增强特征的细节和语义信息。实验表明，该方法在多目标交互、遮挡检测、小目标识别等挑战性场景中表现优异，为自动驾驶、遥感检测等应用提供了更鲁棒的解决方案。核心代码展示了LCA和IEL模块的PyTorch实现，验证了其可行性和有效性。
人脸检测 DSFD:Dual Shot Face Detector
weixin_41813620的博客
08-06 1571
论文解读： Abstract 本文解决问题：人脸的尺度变化、姿态、遮挡、表情、外观和光照。本文提出了一种新的人脸检测网络——DSFD，它继承了SSD的结构，引入了一个特征增强模块(FEM)，将原始特征映射转换为特征增强模块(FEM)，将单次检测器扩展为双次检测器。–重点是准和全，不是快。另外还改进了锚匹配(IAM)方法，将新的数据增强技术和锚设计策略集成到我们的DSFD中，为回归器提供更好的初始化...
DSFD: Dual Shot Face Detector
12-03
Abstract Recently, Convolutional Neural Network (CNN) has achieved great success in face detection. However, it re- mains a challenging problem for the current face detection methods owing to high degree of variability in scale, pose, occlusion, expression, appearance and illumination. In this paper, we propose a novel face detection network named Dual Shot face Detector(DSFD), which inherits the archi- tecture of SSD and introduces a Feature Enhance Module (FEM) for transferring the original feature maps to extend the single shot detector to dual shot detector. Specially, Pro- gressive Anchor Loss (PAL) computed by using two set of anchors is adopted to effectively facilitate the features. Ad- ditionally, we propose an Improved Anchor Matching (IAM) method by integrating novel data augmentation techniques and anchor design strategy in our DSFD to provide better initialization for the regressor. Extensive experiments on popular benchmarks: WIDER FACE (easy: 0.966, medium: 0.957, hard: 0.904) and FDDB ( discontinuous: 0.991, continuous: 0.862) demonstrate the superiority of DSFD over the state-of-the-art face detectors (e.g., PyramidBox and SRN). Code will be made available upon publication.
[深度学习从入门到女装]DSFD: Dual Shot Face Detector
炼丹师
04-04 1448
论文地址：https://arxiv.org/abs/1810.10220v2 Dual Shot Face Detector 这是一篇CVPR19来自腾讯的论文，本文是在SSD的基础上，加入了Feature Enhance Module(FEM),Progressive Anchor Loss(PAL),Inproved Anchor Matching(IAM) 网络结构 整个网络结构如上图所...
人脸检测之DSFD算法——论文翻译（DSFD: Dual Shot Face Detector）
weixin_40671425的博客
04-25 5937
论文：DSFD: Dual Shot Face Detector 原文链接：https://arxiv.org/abs/1810.10220 DSFD是2019年的人脸检测算法，来自腾讯优图实验室 先看看算法的效果，在各个场景下都能达到非常好的人脸检测效果 摘要： 本文提出了一个新的人脸检测网络-DSFD，DSFD计继承了SSD的网络结构，并引入了一个特征增强模块来转换原...
腾讯最新人脸检测模型DSFD: Dual Shot Face Detector
06-28 3482
【LearnX导读】人脸检测是人脸相关应用中必不可少的一环。如我们熟悉的刷脸解锁，美颜相机，刷脸支付等都离不开人脸检测。这篇文章写的就是提高人脸检测准确度的方法。这篇文章从特征抽取，锚匹配(Anchor matching)，损失函数三个方面研究人脸检测模型，相应的提出更强的特征学习模块EFM，更有效的锚匹配IAM，更有效的损失函数PAL来提高人脸检测的准确度。该方法在主流的人脸检测基准数据...
DSFD : Dual Shot Face Detector [CVPR 2019]
NEUXia的博客
04-29 1440
Github :Demo.py 多角度适用 ！达不到实时！ Pipeline： VGG16/ResNet 产生feature maps 通过 FEM 对原始 feature maps 特征增强并保持原始size。 Feature Enhance Module 特征增强模块能够对原始特征进行增强，使其具有更强的鉴别性和鲁棒性，简称FEM。 原始神经元oc(i，j，l)：l 层特...
DSFD(Dual Shot Face Detector)论文解读
ckqsars的博客
05-07 3729
原文连接：DSFD 本文仅记录DSFD的主要创新点，不考虑训练的调参过程。且对SSD类检测算法不不知道的人可以先去学习SSD以及特征融合等相关论文。 DSFD 三大创新点：Feature Enhance Module (FEM) Progressive Anchor Loss (PAL) Improved Anchor Matching(IAM) Feature Enhance Module FE...
Python-DualShotFaceDetector人脸检测的一个PyTorch实现
08-11
Dual Shot Face Detector 人脸检测的一个PyTorch实现
Dual Shot Face Detector论文简读
如果想成为中心，那么就到中心去吧。
09-06 385
code: https://github.com/hukkelas/DSFD-Pytorch-Inference, https://github.com/Tencent/FaceDetection-DSFD 文章目录摘要论文的贡献 摘要 在本文中，我们提出了一种新的人脸检测网络，分别解决了人脸检测的三个关键方面，包括更好的特征学习、渐进式损失设计和基于锚定分配的数据增强。首先，我们提出了一个特征增强模块(FEM)来增强原始特征图，将单镜头探测器扩展到双镜头探测器。其次，我们采用由两组不同的锚计算的渐进锚损失
CFIDNet: cascaded feature interaction decoder for RGB-D salient object detection
m0_58702532的博客
05-26 1282
Motivation 1. 现有的rgb-d SOD模型容易忽略特定于模态的特征，并通过简单的逐元素加法或乘法来融合多模态特征。因此，当遇到不准确或模糊的深度图像时，显著图的质量可能会因此而降低。 2. 此外，许多模型采用U形架构，逐层集成多层次特征。尽管低级别特征可以逐渐完善，但对高级特征的增强却很少关注，这可能会导致次优结果。 Solution a novel network named CFIDNet 具体来说，作者设计了feature-enhanced module，从深度图像中挖掘出信息
【扒代码】FEM模块
2301_77549977的博客
08-09 1314
这些方法忽视了示例图像上相似性空间分布的丰富信息，这严重影响了匹配的准确性。为了解决这个问题，我们提出了一种用于少样本目标计数的网络，学习空间相似性分布（SSD），它保留了示例特征的空间结构，并在查询特征与示例特征之间计算了一个4D相似性金字塔的逐点对应关系，捕获了4D相似性空间中每个点的完整分布信息。我们提出了一个相似性学习模块（SLM），它在相似性金字塔上应用高效的中心枢轴4D卷积，将不同的相似性分布映射到不同的预测密度值，从而获得准确的计数。
DSFD：双镜头人脸检测器——引领人脸识别技术的新纪元
gitblog_01074的博客
10-10 1102
DSFD（Dual Shot Face Detector）是一款由腾讯优图实验室开发的高性能人脸检测网络。该网络在WIDER FACE和FDDB两大知名人脸检测基准测试中均取得了业界领先的成果，证明了其在复杂场景下的人脸检测能力。DSFD不仅在学术界引起了广泛关注，更在2019年的CVPR会议上被正式接受，成为人脸检测领域的标杆之作。 ## 项目技术分析 DSFD的核心技术在于其独特的“双镜头...
论文阅读——FECANet:应用特征增强的上下文感知小样本语义分割网络
qq_41234663的博客
03-01 4475
2023年新作！使用了特征增强和上下文感知的小样本语义分割网络。
目标检测论文解读复现之十一：基于特征融合与注意力的遥感图像小目标检测
m0_70388905的博客
11-18 5254
为解决遥感图像小目标检测中目标特征信息量少、定位困难等难题，本文提出一种基于特征融合与注意力的遥感图像小目标检测算法FFAM-YOLO(Feature Fusion and Attention Mechanism YOLO)。
【每天一篇深度学习论文】(IEEE 2024)即插即用特征增强模块FEM
热门推荐
Magnolia_He的博客
11-30 1万+
FFCA-YOLOforSmallObjectDetectioninRemoteSensingImageshttps://ieeexplore.ieee.org/document/10423050FFCA-YOLO模型在YOLOv5框架基础上，增加了三个轻量级模块：特征增强模块（FEM）用于丰富局部特征信息，特征融合模块（FFM）通过改进的多尺度融合策略加权整合特征，空间上下文感知模块（SCAM）用全局池化获取通道和空间的上下文信息，从而提升小目标和背景的区分能力。此外，模型的轻量化版本L-
FFCA-YOLO for Small Object Detectionin Remote Sensing Images
zyq199082的博客
06-18 5298
由于特征表示不足、背景混淆等问题，使得遥感小目标检测任务十分艰巨。特别是，当算法将部署到平台上进行实时处理时，这需要在有限的计算资源下对精度和速度进行广泛的优化。为了解决这些问题，本文提出了一种高效的特征增强、融合和上下文感知YOLO (FFCA-YOLO)检测器。FFCA-YOLO包括三个创新的轻量级即插即用模块:特征增强模块(FEM)、特征融合模块(FFM)和空间上下文感知模块(SCAM)。这三个模块分别提高了网络的局部感知能力多尺度特征融合能力和跨通道、跨空间的全局关联能力。
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