本质:多级联的检测识别器(检测+对齐+识别)
作者提出:1)边界框与人脸关键点存在内在的联系(检测和人脸对齐有内在联系)
2)面部对齐常用方法:1.基于回归算法 2.模板拟合方法
3)对于一个二分类问题,我们每层只需要较少的滤波器
现有方法: 1)像素特异性+随机森林 联合进行对齐和检测
2)多任务CNN提高面部检测准确率,其中融合了浅层的弱面部检测信息
文中技巧:
1.减少滤波器的数量并将5×5滤波器更改为3×3滤波器以减少计算,同时增加深度以获得更好的性能
2.池化操作都是步长为2的卷积,可以进行通道信息的融合
3.关键点定位任务学习有助于增强人脸分类和边界框回归任务
网络设计:
P-NET: 快速生成候选框(12-NET)
R-NET:非人脸抑制(24-NET)
O-NET:进行人脸关键点定位(48-NET)
1.针对二分类问题:作者使用了交叉熵损失函数
2.针对边框回归,使用了欧式距离
3.针对关键点回归,仍使用欧式距离
4. 对损失函数进行加权调整
P-Net和R-Net中使用:
O-Net中:
表示正样本或者负样本
5.难样本学习策略:
我们使用:
1)在P-NET中,进行样本增强(采用随机裁剪的策略形成难样本)
2)利用R-NET输出的正样本,负样本,对O-NET进行训练
3)利用R-NET 和 O-NET中输出的数据图片作为训练样本对O-NET进行训练
祝好~!