非约束环境下人脸图像具有背景复杂、尺度分布广泛等特点,当前检测器在标签分配和特征提取方面分别存在人脸匹配锚点数量不均衡和卷积核增长视野受限的问题,导致网络难以进行细粒度优化.针对上述问题,文中提出基于锚点损失优化的细粒度...非约束环境下人脸图像具有背景复杂、尺度分布广泛等特点,当前检测器在标签分配和特征提取方面分别存在人脸匹配锚点数量不均衡和卷积核增长视野受限的问题,导致网络难以进行细粒度优化.针对上述问题,文中提出基于锚点损失优化的细粒度人脸检测方法(Fine-Grained Face Detection Method Based on Anchor Loss Optimization,FALO).首先,分析人脸匹配锚点数量与损失的关系,提出锚点损失优化算法,细粒度地调整训练中分类与定位损失.然后,设计上下文特征融合模块,在背景中有效提取多尺度特征.最后,综合考虑卷积神经网络和自注意力机制,构造自注意力辅助分支,补充检测器感受野的同时提高对不同纵横比人脸的注意力.在多个数据集上的实验表明,FALO可兼顾实时计算效率和高精度检测,在困难样本挖掘中具有一定优势.展开更多
文摘非约束环境下人脸图像具有背景复杂、尺度分布广泛等特点,当前检测器在标签分配和特征提取方面分别存在人脸匹配锚点数量不均衡和卷积核增长视野受限的问题,导致网络难以进行细粒度优化.针对上述问题,文中提出基于锚点损失优化的细粒度人脸检测方法(Fine-Grained Face Detection Method Based on Anchor Loss Optimization,FALO).首先,分析人脸匹配锚点数量与损失的关系,提出锚点损失优化算法,细粒度地调整训练中分类与定位损失.然后,设计上下文特征融合模块,在背景中有效提取多尺度特征.最后,综合考虑卷积神经网络和自注意力机制,构造自注意力辅助分支,补充检测器感受野的同时提高对不同纵横比人脸的注意力.在多个数据集上的实验表明,FALO可兼顾实时计算效率和高精度检测,在困难样本挖掘中具有一定优势.
