标签：retinaface 10 3810 38 19 检测 人脸 64

参考源码：https://github.com/biubug6/Face-Detector-1MB-with-landmark

设batch=N，训练图片大小为300*300，输出通道数为64，每个点的anchor数为2，反例交并比阈值为0.35，正反例样本比例为1:7。

1、任取N张图片，从每张图中随机取一个方块，（确保其中有人脸，如没有则重取方块，超过一定次数使用原图），做图像增广（包括色调变换、镜像等），缩放成300*300。

2、主干网络输出map大小为N*64*38*38、N*128*19*19、N*256*10*10，如下图绿色；通过FPN，输出为N*64*38*38、N*64*19*19、N*64*10*10，如黄色；通过SSH，大小不变，如蓝色；渐变色红绿蓝分别表示分类预测值、边界框回归值和特征点回归值，3810是总anchor数量（3810=38*38*2+19*19*2+10*10*2）。

3、计算标定人脸框和所有anchor的交并比，取最大值作为其所属。结果是N*3810个分类值（1或0）、大小为N*3810*4的边界框偏移量和大小为N*3810*10的特征点偏移量。交并比小于0.35的人脸视为负样本。

4、2和3分别计算的是预测值和标定值，使用其中的有效人脸（带特征点标定的人脸）计算特征点损失（SmoothL1），所有人脸计算边界框损失（SmoothL1），所有人脸和7倍的负样本计算分类损失（CrossEntropy）。

标签：retinaface,10,3810,38,19,检测,人脸,64
来源： https://blog.csdn.net/blueblood7/article/details/110529116

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。