标签：12 候选框 缩放 MTCNN 算法 详解 人脸 Net resize

MTCNN:基于多任务卷积神经网络的人脸检测

本文特点：

①提出结合face detection和alignment的轻量级级联网络

②online hard sample mining

 

网络结构

 

输入图像resize

minsize是指图片中需要识别的人脸的最小尺寸(单位：px)；factor是指每次对边缩放的倍数，文中使用的factor是0.709 ，原因是将长和宽各缩小一半的话，面积就变为了1/4，这样的缩放幅度太大了，因此使用了0.709≈ sqrt(2)/2，这样面积就只缩小了一半。

第一阶段会多次缩放原图得到图片金字塔，目的是为了让缩放后图片中的人脸与P-NET训练时候的图片尺度(12px * 12px)接近。

先把原图等比缩放`12/minsize，再按缩放因子factor(例如0.5)用上一次的缩放结果不断缩放，直至最短边小于或等于12。minsize越大，生成的“金字塔”层数越少，resize和P-Net的计算量越小。

 

P-Net

输入：resize为12*12的图片和预训练框

输出：人脸候选框坐标，人脸的置信度和人脸5个特征点

因为这个模型是结合了人脸分类、人脸检测和人脸特征点，所以有三部分输出（上图的三个子网络都有三部分输出）

人脸框坐标对应问题

计算输入图像（就是矩阵）上一个左上角坐标(X, Y)、宽和高都是12的区域，经过P-NET的卷积和池化操作，对应于了1*1*32维矩阵上的(X/2 – 5 , Y/2 – 5)

 

R-Net

输入：P-Net计算出来的人脸候选框，还有resize中24*24大小的图片

输出：人脸候选框坐标，人脸的置信度和人脸5个特征点

 

O-Net

输入：R-Net输出的人脸候选框和resize为48*48的图片

输出：人脸候选框坐标，人脸的置信度和人脸5个特征点

 

从上面的结构图中可以看到，三种网络结构非常相似，R-Net和O-Net中都有全连接，因此这两部分不能输入任意尺寸的图片。

 

online hard sample mining

每个mini-batch，由高到低排序前向传播中计算中损失值，选取前70%的samples进行反向传播计算

 

结果

16 fps 2.60GHz CPU and 99fps on GPU (Nvidia Titan Black).

 

标签：12,候选框,缩放,MTCNN,算法,详解,人脸,Net,resize
来源： https://blog.csdn.net/stu_shanghui/article/details/94722401

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。