《電子技術(shù)應(yīng)用》
您所在的位置:首頁(yè) > 可編程邏輯 > 設(shè)計(jì)應(yīng)用 > 一種改進(jìn)的RefineDet多尺度人臉檢測(cè)方法
一種改進(jìn)的RefineDet多尺度人臉檢測(cè)方法
2019年電子技術(shù)應(yīng)用第8期
孫貴華,,陳淑榮
上海海事大學(xué) 信息工程學(xué)院,上海201306
摘要: 針對(duì)車站,、商場(chǎng)等大型場(chǎng)所中客流量大,、背景復(fù)雜等原因?qū)е露喑叨热四槞z測(cè)精度低的問(wèn)題,,建立了一種基于RefineDet多層特征圖融合的多尺度人臉檢測(cè)方法。首先利用第一級(jí)網(wǎng)絡(luò)進(jìn)行特征提取并在不同尺度的特征圖上粗略預(yù)估人臉位置,;然后在第二級(jí)中通過(guò)特征金字塔網(wǎng)絡(luò)將低層特征與高層特征融合,進(jìn)一步增強(qiáng)小尺寸人臉的語(yǔ)義信息,;最后,,通過(guò)置信度和焦點(diǎn)損失函數(shù)對(duì)檢測(cè)框進(jìn)行二次抑制,,達(dá)到邊框的精確回歸,。實(shí)驗(yàn)中將人臉候選區(qū)域的寬高比只設(shè)置為1:1,,以此來(lái)降低運(yùn)算量并提高人臉檢測(cè)精度,。在Wider Face數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明,,該方法能有效檢測(cè)不同尺度的人臉,,在Easy,、Medium,、Hard 3個(gè)子數(shù)據(jù)集上測(cè)試結(jié)果分別為93.4%、92%,、84.4%的MAP,,尤其對(duì)小尺寸人臉的檢測(cè)精度有明顯提高,。
中圖分類號(hào): TP391
文獻(xiàn)標(biāo)識(shí)碼: A
DOI:10.16157/j.issn.0258-7998.190257
中文引用格式: 孫貴華,,陳淑榮. 一種改進(jìn)的RefineDet多尺度人臉檢測(cè)方法[J].電子技術(shù)應(yīng)用,2019,,45(8):34-39.
英文引用格式: Sun Guihua,,Chen Shurong. An improved RefineDet multi-scale face detection method[J]. Application of Electronic Technique,2019,,45(8):34-39.
An improved RefineDet multi-scale face detection method
Sun Guihua,,Chen Shurong
College of Information Engineering,Shanghai Maritime University,,Shanghai 201306,China
Abstract: Aiming at the low precision of multi-scale face detection caused by large passenger flow and complicated background in large places such as stations and shopping malls, a multi-scale face detection method based on RefineDet multi-layer feature map fusion is established. Firstly, the first-level network is used for feature extraction and the face position is roughly predicted on the feature maps of different scales. Then, in the second level, the feature pyramid network is used to fuse the low-level features and the high-level features together to further enhance the semantics of small-sized faces information. Lastly, the detection box is secondarily suppressed by the confidence and focal loss function to achieve accurate return of the border. In the experiment, the aspect ratio between the width and the height of the face candidate region is only set to 1:1 in order to reduce the amount of calculation and improve the face detection accuracy. Experimental results on Wider Face datasets show that the method can effectively detect different scales of human faces, and the test results of MAP(mean average precision) on the three sub-data sets of Easy, Medium and Hard are 93.4%, 92% and 84.4% respectively, in particular, the detection accuracy of small-sized human faces is significantly improved.
Key words : multi-scale,;face detection,;feature map fusion;RefineDet,;feature pyramid networks

0 引言

    人臉檢測(cè)[1]作為人臉識(shí)別[2-3],、人臉對(duì)齊、人臉驗(yàn)證[4]以及人臉跟蹤[5]等應(yīng)用的關(guān)鍵步驟,,其首要任務(wù)是判斷視頻或給定圖像中是否存在人臉,,再精確定位出人臉的位置和大小,。在一些人臉目標(biāo)尺寸跨度大且小目標(biāo)眾多的應(yīng)用場(chǎng)景,人臉檢測(cè)的效果將直接影響人臉識(shí)別等后續(xù)技術(shù)應(yīng)用的準(zhǔn)確率,,因此研究多尺度人臉檢測(cè)具有重要意義,。

    早期人臉檢測(cè)算法多是人工提取特征,訓(xùn)練分類器,,再進(jìn)行人臉檢測(cè),。如VIOLA P A和JONES M[6]提出的Haar-Like與AdaBoost級(jí)聯(lián)的方法,其檢測(cè)速度較快,,但對(duì)多尺度,、姿態(tài)多樣性等情形檢測(cè)效果不理想。隨著深度學(xué)習(xí)在機(jī)器學(xué)習(xí)中的不斷發(fā)展,,卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,,CNN)提取特征更加多樣化、魯棒性更好,,在圖像識(shí)別以及目標(biāo)檢測(cè)等領(lǐng)域[7-8]得到廣泛應(yīng)用,。其中以Faster R-CNN[9]為代表的算法首先通過(guò)區(qū)域預(yù)測(cè)網(wǎng)絡(luò)(Region Proposal Network,RPN)產(chǎn)生感興趣的候選區(qū)域,,再對(duì)該區(qū)域提取尺度不變的CNN特征,,最后對(duì)區(qū)域進(jìn)行分類和回歸。JIANG H[10]等將Faster R-CNN應(yīng)用于人臉檢測(cè),,取得了較好效果,,但速度較慢。文獻(xiàn)[11]將人臉檢測(cè)與人臉關(guān)鍵點(diǎn)檢測(cè)結(jié)合,,網(wǎng)絡(luò)層數(shù)淺,,檢測(cè)速度快但精度較低。HU P[12]等人通過(guò)多尺度模板,,利用圖像上下文信息來(lái)解決小尺寸人臉檢測(cè)精度較低的問(wèn)題,。

    為進(jìn)一步提高人臉檢測(cè)精度,本文通過(guò)改進(jìn)RefineDet[13]網(wǎng)絡(luò)模型結(jié)構(gòu),,建立了一種多尺度人臉檢測(cè)模型,。首先對(duì)待檢測(cè)圖像歸一化處理,利用CNN提取圖像特征,,再通過(guò)特征金字塔網(wǎng)絡(luò)[14](Feature Pyramid Networks,,F(xiàn)PN)將更底層的conv3_3特征圖與高層特征圖進(jìn)行融合,以便增強(qiáng)小尺寸人臉的語(yǔ)義信息,,提高小目標(biāo)人臉的檢測(cè)精度,。然后利用置信度和損失函數(shù)對(duì)檢測(cè)框進(jìn)行二次抑制,緩解類別失衡[15]問(wèn)題,。最后通過(guò)非極大值抑制算法得到精確回歸后的人臉檢測(cè)框和相應(yīng)的位置信息,。根據(jù)人臉區(qū)域特點(diǎn),,將人臉候選框的寬高比只設(shè)為1:1,以減少計(jì)算量進(jìn)而提高檢測(cè)精度,。

1 多尺度人臉檢測(cè)模型

1.1 改進(jìn)的RefineDet多尺度檢測(cè)模型網(wǎng)絡(luò)結(jié)構(gòu)

    RefineDet是基于SSD[16]的改進(jìn)方法,,以VGG16[17]作為特征提取的骨干網(wǎng)絡(luò),包含fc6和fc7兩個(gè)全連接層轉(zhuǎn)換成的conv_fc6,、conv_fc7以及擴(kuò)展的conv6_1,、conv6_2。其檢測(cè)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖1中虛線框部分所示,,采用conv4_3,、conv5_3、conv_fc7和conv6_2作為檢測(cè)層,。

rgzn1-t1.gif

    在CNN提取圖像特征的過(guò)程中,,感受野[18]用來(lái)表示卷積神經(jīng)網(wǎng)絡(luò)每一層輸出的特征圖上的像素點(diǎn)在原始圖像上映射區(qū)域的大小。輸入RefineDet網(wǎng)絡(luò)的圖像,,由于卷積層與池化層之間均為局部連接,,神經(jīng)元無(wú)法對(duì)原始圖像的所有信息進(jìn)行感知,且每經(jīng)過(guò)一次2×2的最大池化層處理,,特征圖變?yōu)樵瓉?lái)的一半,。隨著網(wǎng)絡(luò)層加深,特征圖會(huì)越來(lái)越小,,小尺寸人臉的信息也會(huì)逐步丟失,,提取的特征也更抽象。因此,,越高層的特征圖對(duì)應(yīng)原始圖像的范圍越大,,包含語(yǔ)義層次更高的特征,;越低層的特征圖對(duì)應(yīng)原始圖像的范圍越小,,包含的特征更趨向于局部細(xì)節(jié)??梢?jiàn),,對(duì)于近景下的較大人臉需要更高層的特征圖進(jìn)行檢測(cè),而遠(yuǎn)景下的小尺寸人臉可以在更低層的特征圖上檢測(cè)到,。為了提高不同尺度的人臉檢測(cè)精度,,進(jìn)一步改善整個(gè)網(wǎng)絡(luò)的檢測(cè)性能,本文在RefineDet特征融合部分加入更低層的conv3_3特征圖,,以便檢測(cè)較小尺寸的人臉,,并在conv6_2后面添加額外的conv7_1和conv7_2,以便檢測(cè)較大的人臉區(qū)域,。改進(jìn)的RefineDet檢測(cè)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖1所示,,選取conv3_3,、conv4_3、conv5_3,、conv_fc7,、conv6_2和conv7_2 6個(gè)層的特征圖作為檢測(cè)層。

    網(wǎng)絡(luò)模型主要包括區(qū)域優(yōu)化模塊(Anchor Refine Module,,ARM)和目標(biāo)檢測(cè)模塊(Object Detect Module,,ODM)。對(duì)輸入640像素×640像素的待檢測(cè)圖片,,在ARM中經(jīng)過(guò)卷積層特征提取后得到不同大小的特征圖,,可粗略預(yù)估人臉的位置和得分,并濾除一些無(wú)效候選區(qū),,以減少分類器的搜索空間并且粗略地調(diào)整保留區(qū)域的位置和大小,。同時(shí),ARM的特征圖通過(guò)連接模塊(Transfer Connection Block,,TCB)輸入到ODM中,,將高層特征與底層特征進(jìn)行融合,用來(lái)增強(qiáng)底層特征的語(yǔ)義信息,,以便檢測(cè)更小的人臉目標(biāo),。本文利用特征圖融合的方式增加不同層之間的聯(lián)系,通過(guò)這樣的連接,,檢測(cè)網(wǎng)絡(luò)中的特征圖都融合了不同尺度,、不同語(yǔ)義強(qiáng)度的特征,以此保證檢測(cè)層的特征圖可以檢測(cè)不同尺度的人臉,。此處以O(shè)DM的高層特征圖CONV4_3和ARM的底層特征圖conv3_3融合為例,,其過(guò)程如圖2所示,卷積核大小為3×3,通道數(shù)為256,,反卷積核大小為4×4,,步長(zhǎng)為2,通道數(shù)為256,。核大小為3×3,,通道數(shù)為256,反卷積核大小為4×4,,步長(zhǎng)為2,,通道數(shù)為256。不同層的特征圖大小各不相同,,因此,,CONV4_3先通過(guò)反卷積操作縮放成與conv3_3特征圖相同的大小;然后通過(guò)element-wise相加進(jìn)行融合,,得到CONV3_3,;最后ODM對(duì)特征融合后的人臉候選區(qū)域進(jìn)行更精確的回歸,并且通過(guò)非極大值抑制算法得到不同尺度人臉的檢測(cè)結(jié)果,。

rgzn1-t2.gif

1.2 檢測(cè)層參數(shù)設(shè)置

    RefineDet選擇conv4_3為初始檢測(cè)層,,步長(zhǎng)為8,在特征圖上移動(dòng)一點(diǎn)相當(dāng)于在原始圖像上移動(dòng)8個(gè)像素,,這種設(shè)置不適合檢測(cè)更小尺寸目標(biāo),。本文將conv3_3作為初始檢測(cè)層,特征圖步長(zhǎng)設(shè)為4,,更利于檢測(cè)小尺寸人臉,。從conv3_3到conv7_2,寬高比為1:1,,檢測(cè)層參數(shù)設(shè)置如表1所示,。通過(guò)在6層卷積特征圖上設(shè)置不同大小的人臉檢測(cè)框,能有效提高多尺度人臉的檢測(cè)精度,。

rgzn1-b1.gif

1.3 損失函數(shù)

    實(shí)驗(yàn)中對(duì)于一張640×640的圖像,,人臉?biāo)急壤h(yuǎn)遠(yuǎn)小于背景所占比例,圖像中大部分區(qū)域?yàn)樨?fù)樣本,。模型訓(xùn)練過(guò)程中,,按照表1在每個(gè)卷積層生成不同數(shù)量的檢測(cè)框,則conv3_3產(chǎn)生25 600個(gè)16×16的檢測(cè)框,,占檢測(cè)框總數(shù)的75.02%,,如果將全部正負(fù)樣本都用來(lái)訓(xùn)練,這會(huì)引起類不平衡的問(wèn)題,,導(dǎo)致檢測(cè)精度下降,。因此,為了緩解失衡,,利用損失函數(shù)對(duì)檢測(cè)框進(jìn)行二次抑制,。當(dāng)負(fù)樣本的置信度大于0.99時(shí),直接舍棄該候選區(qū)域,,即對(duì)檢測(cè)框進(jìn)行首次抑制,。

    本文的損失函數(shù)主要包括ARM和ODM兩部分損失,,如式(1)所示,。

rgzn1-gs1.gif

rgzn1-gs2.gif

式中,pt為不同類別的分類概率,,pt越大,,權(quán)重(1-pt)γ越小,這樣對(duì)于一些很容易區(qū)分的樣本可通過(guò)權(quán)重得到抑制,進(jìn)而減少檢測(cè)框的數(shù)量,。αt用來(lái)調(diào)節(jié)正負(fù)樣本的比例,,本文采用與文獻(xiàn)[15]相同的參數(shù)設(shè)置,正負(fù)樣本比例為1:3,,即αt=0.25,,γ=2,實(shí)驗(yàn)表明,,該參數(shù)適用于本文模型,。

2 實(shí)驗(yàn)過(guò)程與結(jié)果分析

2.1 人臉數(shù)據(jù)集選擇

    實(shí)驗(yàn)采用Wider Face數(shù)據(jù)集,包含Easy,、Medium,、Hard 3個(gè)類別子集。該數(shù)據(jù)集共有32 203張圖片,,并標(biāo)注了393 703張人臉,。其中Easy子集為尺寸大于300像素的人臉,容易檢測(cè),;Medium子集人臉尺寸為50~300像素,,檢測(cè)難度適中;Hard子集包含尺寸為10~50像素的小目標(biāo)人臉,,較難檢測(cè),。該數(shù)據(jù)集適合本文建立的多尺度人臉檢測(cè)模型。

2.2 模型訓(xùn)練過(guò)程

    實(shí)驗(yàn)在Win10操作系統(tǒng)下進(jìn)行,,計(jì)算機(jī)配置為NVIDIA GeForce GTX 1080Ti顯卡,,采用的深度學(xué)習(xí)框架為Caffe。為了使訓(xùn)練所得模型對(duì)不同尺度的人臉有更好的魯棒性,,本文采用文獻(xiàn)[16]中的隨機(jī)光照失真以及裁剪原始圖像并反轉(zhuǎn)的方法擴(kuò)充訓(xùn)練樣本集,。用ImageNet分類任務(wù)上預(yù)訓(xùn)練好的VGG16 卷積神經(jīng)網(wǎng)絡(luò)初始化特征并提取網(wǎng)絡(luò)卷積層權(quán)重,訓(xùn)練過(guò)程采用隨機(jī)梯度下降算法(SGD)優(yōu)化整個(gè)網(wǎng)絡(luò)模型,。

    本文訓(xùn)練過(guò)程采用SSD的匹配策略,,不同的是將檢測(cè)框與真實(shí)框的重疊率閾值由0.5降為0.35,大于0.35的判斷為正樣本,,以此來(lái)增大匹配到的檢測(cè)框數(shù)量,。另外,網(wǎng)絡(luò)初始學(xué)習(xí)率設(shè)置為0.000 5,,8萬(wàn)次迭代后降為0.000 01,,12萬(wàn)次迭代后設(shè)置為0.000 002,動(dòng)量為 0.9,,權(quán)重衰減為0.000 5,,批次大小設(shè)置為4,共進(jìn)行20萬(wàn)次迭代。

2.3 不同尺度的人臉檢測(cè)結(jié)果

    為了驗(yàn)證方法的有效性,,本文在Wider Face驗(yàn)證集上進(jìn)行實(shí)驗(yàn)驗(yàn)證,。首先選擇RefineDet的網(wǎng)絡(luò)模型結(jié)構(gòu),輸入640×640大小的圖像,,寬高比設(shè)為1:1,,本文將其稱之為模型A;其次,,以相同的輸入,,選擇加入底層特征conv3_3后的6層卷積特征圖作為檢測(cè)層進(jìn)行實(shí)驗(yàn),稱之為模型B,;最后,,本文在模型B的基礎(chǔ)上,采用focal loss作為損失函數(shù)進(jìn)行實(shí)驗(yàn),,稱之為本文模型,。驗(yàn)證結(jié)果如表2所示。

rgzn1-b2.gif

    由表2可見(jiàn),,在輸入相同的情況下,,模型B相比于模型A在Easy、Medium,、Hard 3個(gè)子集上的平均檢測(cè)精度(Mean Average Precision,,MAP)分別提高了0.1%、0.2%和4.3%,,表明加入底層conv3_3的特征融合后可以有效改善小尺寸人臉的語(yǔ)義信息,,進(jìn)而提高多尺度人臉檢測(cè)精度。本文模型相比于模型B在3個(gè)子集上的檢測(cè)精度又分別提高了0.6%,、0.9%和1.1%,,表明改進(jìn)損失函數(shù)能有效緩解類別不平衡的問(wèn)題,進(jìn)而提高檢測(cè)精度,。

2.4 與其他方法比較

    為進(jìn)一步驗(yàn)證模型的性能,,將本文方法與近年來(lái)的主流算法ScaleFace[20]、Multitask Cascade CNN[11],、HR[12]在相同實(shí)驗(yàn)環(huán)境和相同數(shù)據(jù)集上進(jìn)行了對(duì)比,,采用官方評(píng)估方法進(jìn)行評(píng)估[21]。在Wider Face人臉驗(yàn)證集上得到的P-R曲線如圖3所示,。

rgzn1-t3.gif

    P-R圖中橫坐標(biāo)表示檢測(cè)框的召回率(Recall),,縱坐標(biāo)表示檢測(cè)精度(Precision)。召回率用來(lái)評(píng)估檢測(cè)出來(lái)的人臉占樣本標(biāo)記總?cè)四様?shù)的比例,,檢測(cè)精度用來(lái)評(píng)估檢測(cè)出的正確人臉占檢測(cè)出的總?cè)四様?shù)的比例,,因此,,曲線右上越凸,,表示檢測(cè)效果越好,。由圖3可見(jiàn),本文方法較其他方法在檢測(cè)精度上均有所提高,,尤其在Hard子集上更達(dá)到了84.4%的檢測(cè)精度,,表明了方法的有效性,也顯示了該模型檢測(cè)小尺寸人臉的優(yōu)越性,。

2.5 檢測(cè)效果

    圖4為本文方法與RefineDet的檢測(cè)結(jié)果對(duì)比,,矩形框表示檢測(cè)出的人臉位置,圓形框表示兩者的著重對(duì)比區(qū)域,。由圖4(a)和圖4(c)可見(jiàn),,圖像中的人臉尺寸大小不一,RefineDet對(duì)于檢測(cè)背景中小尺寸人臉存在明顯缺陷,,不能有效檢測(cè),,而本文方法可以在一張圖片上同時(shí)檢測(cè)不同尺度人臉。圖4(b)和圖4(d)相比,,在人臉較小且密集的情景下,,RefineDet漏檢而本文方法在檢測(cè)小尺寸人臉上有明顯優(yōu)勢(shì)。

rgzn1-t4.gif

3 結(jié)論

    本文建立了一種基于RefineDet多層特征融合的多尺度人臉檢測(cè)方法,,網(wǎng)絡(luò)結(jié)構(gòu)為兩級(jí)級(jí)聯(lián)模式,,第一級(jí)ARM模塊對(duì)人臉檢測(cè)框進(jìn)行粗略回歸,第二級(jí)ODM模塊經(jīng)與底層特征融合后再對(duì)人臉檢測(cè)框完成精確回歸,。檢測(cè)網(wǎng)絡(luò)在6層不同的特征圖上進(jìn)行,,能有效檢測(cè)16×16的小尺寸人臉區(qū)域,以及520×520較大的人臉區(qū)域,,對(duì)比其他人臉檢測(cè)方法,,本文方法能更好地處理人臉尺寸眾多且密集的情況,特別是小尺寸人臉檢測(cè)精度有明顯提高,。

參考文獻(xiàn)

[1] 霍芋霖,,符意德.基于Zynq的人臉檢測(cè)設(shè)計(jì)[J].計(jì)算機(jī)科學(xué),2016,,43(10):322-325.

[2] 李小薪,,梁榮華.有遮擋人臉識(shí)別綜述:從子空間回歸到深度學(xué)習(xí)[J].計(jì)算機(jī)學(xué)報(bào),2018,,41(1):177-207.

[3] GAO Y,,MA J,YUILLE A L,,et al.Semi-supervised sparse representation based classification for face recognition with insufficient labeled samples[J].IEEE Transactions on Image Processing,,2017,,26(5):2545-2560.

[4] MAJUMDAR A,SINGH R,,VATS M,,et al.Face verification via class sparsity based supervised encoding[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2017,,39(6):1273-1280.

[5] KHAN M H,,MCDONAGH J,TZIMIROPOULOS G,,et al.Synergy between face alignment and tracking via discriminative global consensus optimization[C].International Conference on Computer Vision.IEEE,,2017:3811-3819.

[6] VIOLA P A,JONES M.Robust real-time face detection[C].Proceedings of IEEE Conference on Computer Vision.IEEE,,2001:747.

[7] 黃友文,,萬(wàn)超倫.基于深度學(xué)習(xí)的人體行為識(shí)別算法[J].電子技術(shù)應(yīng)用,2018,,44(10):1-5.

[8] 周進(jìn)凡,,張榮芬,馬治楠,,等.基于深度學(xué)習(xí)的胸部X光影像分析系統(tǒng)[J].電子技術(shù)應(yīng)用,,2018,44(11):29-32.

[9] REN S,,HE K,,GIRSHICK R B,et al.Faster R-CNN:towards real-time object detection with region proposal networks[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,,2017,,39(6):1137-1149.

[10] JIANG H,LEARNEDMILLER E G.Face detection with the faster R-CNN[C].IEEE International Conference on Automatic Face Gesture Recognition.IEEE,,2017:650-657.

[11] ZHANG K,,ZHANG Z,LI Z,,et al.Joint face detection and alignment using multitask cascaded convolutional networks[J].IEEE Signal Processing Letters,,2016,23(10):1499-1503.

[12] HU P,,RAMANAN D.Finding tiny faces[J].Computer Vision and Pattern Recognition,,Hawaii,USA,,2017:1522-1530.

[13] ZHANG S,,WEN L,BIAN X,,et al.Single-shot refinement neural network for object detection[C].IEEE Conference on Computer Vision and Pattern Recognition,,2018:4203-4212.

[14] LIN T,,DOLLAR P,GIRSHICK R B,,et al.Feature pyramid networks for object detection[C].IEEE Conference on Computer Vision and Pattern Recognition,,2017:936-944.

[15] LIN T,GOYAL P,,GIRSHICK R B,,et al.Focal loss for dense object detection[C].International Conference on Computer Vision.IEEE,,2017:2999-3007.

[16] LIU W,,ANGUELOY D,ERHAN D,,et al.SSD:single shot multibox detector[C].European Conference on Computer Vision,,Amsterdam,Netherlands,,2016:21-37.

[17] SIMONYAN K,,ZISSERMAN.A very deep convolutional networks for large-scale image recognition[C].International Conference on Learning Representations,2015.

[18] LUO W,,LI Y,,URTASUN R,et al.Understanding the effective receptive field in deep convolutional neural networks[C].29th Conference on Neural Information Processing Systems,,Barcelona,,Spain,2016:4898-4906.

[19] DAI J,,LI Y,,HE K,et al.R-FCN:object detection via region-based fully convolutional networks[C]. 29th Conference on Neural Information Processing Systems,,2016:379-387.

[20] YANG S,,XIONG Y,LOY C C,,et al.Face detection through scale-friendly deep convolutional networks[J].arXiv:Computer Vision and Pattern Recognition,,2017.

[21] YANG S,LUO P,,LOY C C,,et al.Wider face: a face detection benchmark[C].IEEE Conference on Computer Vision and Pattern Recognition,2016:5525-5533.



作者信息:

孫貴華,,陳淑榮

(上海海事大學(xué) 信息工程學(xué)院,,上海201306)

此內(nèi)容為AET網(wǎng)站原創(chuàng),未經(jīng)授權(quán)禁止轉(zhuǎn)載,。