FaceBoxes CPU上實時的人臉檢測

一篇速度還可以的多尺度人臉檢測文章。

方法和ssd大同小異。

如上圖，輸入單張，在三個網路分支檢測人臉。

2. 要點介紹

（1）rapidly digested convolutional layers(rdcl)

在網路前期，使用rdcl快速的縮小feature map的大小。 主要設計原則如下：

（1） conv1, pool1, conv2 和 pool2 的stride分別是4, 2, 2 和 2。這樣整個rdcl的stride就是32，可以很快把feature map的尺寸變小。

（2）卷積(或pooling)核太大速度就慢，太小覆蓋資訊又不足。文章權衡之後，將conv1, pool1, conv2 和 pool2 的核大小分別設為7x7,3x3,5x5,3x3

（3）使用crelu來保證輸出維度不變的情況下，減少卷積核數量。

（2）multiple scale convolutional layers(mscl)

在網路後期，使用mscl更好地檢測不同尺度的人臉。 主要設計原則有：

（1） 類似於ssd，在網路的不同層進行檢測；

（2） 採用inception模組。由於inception包含多個不同的卷積分支，因此可以進一步使得感受野多樣化。

（3）anchor densification strategy

ssd和faster r-cnn此類方法對小目標效果不好，一定程度上是因為小目標所能對應的anchor比較少，導致訓練不足。

下圖是本文網路三個分支預設anchor的大小，以及每個分支對應的spatial stride。 

我們可以據此定義anchor密度為(anchor大小 / stride)。 顯然，第乙個分支的一些anchor密度不足。這也是為什麼小目標檢測效果不佳的重要原因。

為了anchor密度均衡，可以對密度不足的anchor以中心進行偏移加倍，如下圖所示：

3. 實驗結果

fddb上的測試結果：

cpu速度測試：（這個cpu硬體效能有點好）

FaceBoxes CPU上實時的人臉檢測

一篇速度還可以的多尺度人臉檢測文章。方法和ssd大同小異。如上圖，輸入單張，在三個網路分支檢測人臉。1 rapidly digested convolutional layers rdcl 在網路前期，使用rdcl快速的縮小feature map的大小。主要設計原則如下 2 multiple sca...

Yolo 實時目標檢測實戰（上）

yolo 實時目標檢測實戰 上 yolo real time object detection 你只看一次 yolo 是乙個最先進的實時物體檢測系統。在帕斯卡泰坦x上，它以每秒30幀的速度處理影象，在coco test dev上有57.9 的map。與其他探測器的比較，yolov3非常快速和準確。在...

在BlackBerry上實現實時監控

一段時間沒有更新部落格，因為前段時間在幫合作夥伴實現blackberry上實時監控的模型，從開始到完成花了好多心思，在這裡記錄一下需要注意的基本問題，具體的細節日後有時間慢慢補充。1.第乙個要注意的是流動網路上的read buffer的處理，因為流動網路的頻寬原因，read buffer時不一定是讀...