a kínai technológiai óriás Tencent nyílt forrású arcfelismerő algoritmusát, a Dsfd-t (Dual Shot Face Detector). A dsfd: Dual Shot Face Detector a legmodernebb teljesítményt nyújtja a szélesebb arc és az FDDB adatkészlet referenciaértékein, és a top computer vision conference CVPR 2019 elfogadta.
DSFD
az arcfelismerés az arc igazításának, elemzésének, felismerésének és ellenőrzésének alapvető lépése. A Tencent AI-központú Youtu Laboratóriumának kutatói három dsfd arcdetektor technikát javasolnak:
- Feature Enhance Module (Fem): az eredeti funkciótérképek átvitele, hogy az egylövésérzékelőt kettős lövésérzékelővé bővítse, és megkülönböztethetőbbé és robusztusabbá tegye őket.
- progresszív Horgonyveszteség (Pla): két horgonykészlet használatával számítható ki, és a funkciók hatékony megkönnyítésére adaptálva.
- továbbfejlesztett Anchor Matching (iam): új adatnövelési technikák és horgonytervezési stratégia integrálása a dsfd-be a regresszor jobb inicializálása érdekében.
kísérleti eredmények
a DSFD keretrendszer kiemelkedő teljesítményt mutat a kísérletekben. A következő képeket figyelve a DSFD nagy hatékonyságot mutatott az arcok észlelésében a skála, a póz, az elzáródás, az elmosódás, a smink, a megvilágítás, a modalitás és a reflexió variációival. A kék határoló dobozok azt jelzik, hogy az érzékelő megbízhatósága 0,8 felett van.
a kutatócsoport kiterjedt kísérleteket és ablációs vizsgálatokat végzett a szélesebb arc-és FDDB-adatkészletek jelenlegi referenciaértékeivel.
a szélesebb arc adatkészlettel, amint az alább látható, a DSFD a legkorszerűbb teljesítményt érte el az átlagos pontosság érdekében három részhalmazon: 96,6% (könnyű), 95,7% (közepes) és 90,4% (kemény) a validációs készleten; és 96,0% (könnyű), 95,3% (közepes) és 90,0% (kemény) a tesztkészleten.
az FDDB adatkészlettel, amint az alább látható, a DSFD a legkorszerűbb teljesítményt érte el mind a folytonos, mind a folytonos ROC görbéken: 99,1% és 86.2%, ha a hamis pozitív eredmények száma 1000.
a projekt újbóli végrehajtása
a DSFD projekt a PyTorch-on valósul meg. Anélkül, hogy bármilyen speciális könyvtárak, ez a projekt futtatható Torch 0.3.1, Python 3.6 és CuDNN. A kutatócsoport minden szükséges anyagot biztosított a GitHub adattárán.
