人脸检测和关键点回归.ppt

步骤： 排序，选中最高分的框 遍历，删除IOU阈值的框 继续选一个得分最高的，重复上述过程 NMS SSD用于人脸检测 FDDB数据集 标注了2845，其中包含5171 张人脸 室外采集 包含灰度图和彩色图 椭圆标注 检测难点 遮挡 不同姿态 低分辨率 实焦 FDDB：Face Detection Data Set and Benchmark 主页： /fddb 一个被广泛使用的权威的人脸检测平台 FDDB数据集 很多组织参加评测 Label格式转换 SSD用于人脸检测 训练配置 类别文件: SSD模型训练 Train file: SSD模型训练 Train file: SSD人脸检测结果 人脸关键点回归 关键点回归 网络: 数据标注 ① ② ④ ③ ⑤ 关键点回归训练 训练参数 Multistep训练 base_lr: 0.01 关键点回归测试 人脸检测和关键点回归 SSD CNN 缺点： 不是端到端的训练 速度慢 后续改进： 用多任务的方式构建网络 MTCNN和MaskRCNN 检测 检测 小象社区：传布最前沿的互联网技术 微信公众号：小象学院 联系我们 * */48 互联网新技术在线教育领航者 互联网新技术在线教育领航者 互联网新技术在线教育领航者 互联网新技术在线教育领航者 LOGO 法律声明 人脸检测和关键点回归 主讲人：梁博 本章结构 目标检测 人脸检测和关键点回归 SSD SSD用于人脸检测 自定义关键点回归网络 目标检测 What? Where? 目标检测的作用 是什么狗？ 分类 检测+分类 人脸检测 Is or not? Where? 人脸关键点检测 目标检测的方法 One Stage Example: Densebox, YOLO, SSD, Retina Net Two Stage Example: RCNN, RFCN,MaskRCN，FPN One stage SSD 一次完成目标定位与分类 不同尺度的特征负责不同尺度的检测任务 Two stage Faster R-CNN 检测准确率高 速度慢 目标检测系列 mAP time 2014 Apr 2015 June 2015 2016 2017 RCNN mAP：66 FPS：0.02 Fast RCNN mAP：70 FPS：0.4 Faster RCNN mAP：73 FPS：7 SSD300 mAP：72.1 FPS：46 RFCN mAP：79.5 FPS：17 DPM mAP：34.3 FPS：0.5 Mask RCNN mAP： FPS：5 SSD 主干网络（backbone） 主网络结构是VGG16 两个全连接层改成卷积层+4个卷积层 Detector Classifier 两个不同的?3×3的卷积核，分类和回归 非极大值抑制（Non-maximum suppression，NMS） 主干网络（backbone） VGG 5个卷积 5个max pooling 3个全连接 主干网络（backbone） 修改： VGG FC6变成了Conv6 VGG FC7变成了Conv7 随后增加了4个卷积层 Detector Classifier 作用 Softmax:确定类别 Bbox Reg:确定位置 Default Box 和Faster RCNN Anchor类似 和Detector classifier这一层结合使用 Conv9_2 3个default boxes Default Box Conv9_2 label 3个default boxes label label label Default Box label label label 中间部分 后面部分 依次为每一个cell都生成3个default boxes Default Box label 正样本（正的默认框）： 所有的default boxes和gt boxes求overlaps 每个gt boxes 选一个最大的overlap的default box 剩下的与gt boxes的overlap0.5的也被选上 label label Default Box 负样本（负的默认框） ： 正样本以外的样本 label label … 负样本正样本，怎么办？ Hard Negative Mining： 正样本确定以后，把负样本按照score由高到低排列 保证 negatives : positives = 3 : 1 default box 各个layer的default box 参数设置 Default Box设置 default box 大小 各个layer的default boxes实际大小 Default Box Conv9_2 假定有3个 Conv9_2