Finding Tiny Faces 解读

该文深入探讨了在小脸检测中的尺度不变性、图像分辨率和上下文推理的重要性。通过预训练深度网络的尺度调整和多任务尺度建模,实现在大规模人脸数据集(FDDB和WIDER FACE)上的优秀表现,特别是针对小尺寸人脸的检测。文章强调了背景信息在小物体识别中的关键作用,并提出中心凹描述符作为有效的上下文编码方法。

提出三个部分针对图像中小脸的寻找:1。尺度不变性,2图像分辨率,3上下文推理。

提出了尺度在预训练深度网络中的作用,提供一种调整网络的方法将有限的尺度推广到极端的尺度, 论证出在大规模的基准人脸数据集上(FDDB和WIDER FACE)上均有较好的结果。

尺度不变性几乎是所有当前识别和物体检测系统的基本属性。 但从实际的角度来看,尺度不变性不适用于有限分辨率的传感器:识别300px高脸的线索无疑与识别3px高脸的线索不同。

尺度的多任务建模:对象检测的许多近期工作都使用了尺度标准化分类器。

当将区域大小调整为规范的模板大小时,我们会问一个简单的问题 - 模板的大小应该是多少? 一方面,我们想要一个可以检测小脸的小模板; 另一方面,我们需要一个可以利用详细功能(例如,特殊部分)的大型模板来提高准确性。我们不是采用“一刀切”的方法,而是针对不同尺度(和纵横比)调整单独的探测器。训练大量特定尺度的探测器可能会因缺乏单个尺度的训练数据而受到影响,并且在测试时运行大量探测器会导致效率低下。 为了解决这两个问题,我们以多任务方式训练和运行特定尺度的探测器:它们利用在单个(深)特征层次结构的多层上定义的特征。 虽然这种策略可以为大型物体提供高精度的探测器,但找到小东西仍然具有挑战性。

如何概括预训练网络? 我们提供了两个关于寻找小物体问题的关键见解。

第一部分是如何最好地从预训练的深层网络中提取尺度不变特征。 我们提出现有网络针对特征尺寸的对象进行了调整(在预训练数据集中遇到过,如ImageNet)。为了将从这些网络中微调的特征扩展到新颖尺寸的对象,我们采用了一种简单的策略:通过插值和抽取在测试时调整图像大小。虽然许多识别系统通过处理图像金字塔以“多分辨率”方式应用,但我们发现插入金字塔的最低层对于寻找小物体尤其重要[5]。 因此,我们的最终方法(图2)是尺度特定探测器的精细混合物,其以尺度不变的方式使用(通过处理图像金字塔以

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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