作者 | CV 君
来源 | 我爱计算机视觉(ID:aicvmlaicvmlaicvml)
人脸检测为目标检测的特例, 是商业化最早的目标检测算法, 也是目前几乎各大 CV 方向 AI 公司的必争之地.
WIDER FACE 数据集是由香港中文大学发布的大型人脸数据集, 含 32,203 幅图像和 393,703 个高精度人脸包围框, 该库中人脸包含尺度, 姿态, 表情, 遮挡和光照等变化.
WIDER FACE 几乎是目前评估人脸检测算法最权威的数据集.
RetinaFace 是今年 5 月份出现的人脸检测算法, 当时取得了 state-of-the-art, 作者也开源了代码, 过去了两个月, 目前仅以极其微弱的精度差屈居第二名, 但因为第一名的 AInnoFace 算法 (来自北京创新奇智公司) 没有开源, 所以目前 RetinaFace 可称得上是目前最强的开源人脸检测算法.
RetinaFace 来自论文《RetinaFace: Single-stage Dense Face Localisation in the Wild》, 作者来自帝国理工学院, InsightFace,Middlesex University London,FaceSoft.
相信很多朋友对 InsightFace 并不陌生, 它是目前针对 2D 与 3D 人脸分析 (含检测, 识别, 对齐, 属性识别等) 最知名和开发者最活跃的开源库. RetinaFace 代码已经并入该库.
下图为在 WIDER FACE 数据集上验证集三个子集的排名靠前的算法结果曲线和精度:
下图为在 WIDER FACE 数据集上测试集三个子集的排名靠前的算法结果曲线和精度:
在 6 个子集中, RetinaFace 取得 1 个第一名, 2 个并列第一名, 3 个以极其微弱精度差屈居于第二名.
RetinaFace 使用特征金字塔网络架构:
其主要创新点在损失函数的设计.
下图说明了 RetinaFace 的核心思想:
在人脸检测多任务学习中, 除了传统的人脸分类损失函数和包围框回归损失函数, 作者额外标注了人脸 5 点信息, 并以此引入人脸对齐的额外监督信息损失函数, 还引入了 self-supervised 解码分支预测 3D 人脸信息分支.
集合了更多监督信息和自监督信息, 是 RetinaFace 取得成功的关键.
很多时候, 人脸检测是为了后续的识别, 作者特意将检测结果送入人脸验证网络, 在 IJB-C test set 上测试结果表明可以提高 ArcFace 的人脸验证精度 (TAR=89.59% for FAR=1e-6).
由上图可知, 相对于 MTCNN, 在助力人脸验证上有一致性精度提高的表现.
更为难能可贵的是, 使用轻量级骨干网络, RetinaFace 算法在 CPU 上测试 VGA 图片可以达到实时. 如下图:
感谢作者的开源, 欢迎给大佬加星!
论文地址:
https://arxiv.org/pdf/1905.00641.pdf
代码地址:
- https://github.com/deepinsight/insightface/tree/master/RetinaFace
- (* 本文为 AI 科技大本营转载文章, 转载请联系作者)
来源: https://www.qcloud.com/developer/article/1461600