刷新WIDER Face紀錄!TinaFace:人臉檢測新網絡,代碼已開源!

2022-01-18 CVer

點擊上方「CVer」，選擇加"星標"置頂

重磅乾貨，第一時間送達

本文作者：mileistone（來自媒智科技）    |  編輯：Amusi

https://zhuanlan.zhihu.com/p/315511581

本文已由原作者授權，不得擅自二次轉載

這幾年人臉檢測的benchmark越刷越高，方法也越來越複雜，提出的模塊或者方法大都專門為人臉檢測設計，不易復現和使用，比如DSFD裡的FEM、PAL、IAM，ASFD裡的AutoFEM、PAL、IAM、DRMC loss，HAMBox裡的PA、OAM、RAL等等。

WIDER FACE驗證集hard結果WIDER FACE測試集hard結果

論文：https://arxiv.org/abs/2011.13183

代碼連結：https://github.com/Media-Smart/vedadet/tree/main/configs/trainval/tinaface

鑑於此，我們設計了一個簡單而又強大的人臉檢測模型——TinaFace，該模型基於RetinaNet，相比RetinaNet只做了很小的改動：

在僅使用ResNet50作為backbone的情況下，TinaFace在WIDER FACE的驗證集和測試集中的hard上達到了當前的state of the art。我們只看hard的原因在於WIDER FACE的easy和medium都包含在hard之中，hard體現的是一個人臉檢測器在所有人臉上的檢測效果。

具體來說，在單模型，backbone僅為ResNet50的情況下。

1、驗證集上

1.1、不使用TTA的TinaFace：TinaFace的AP為93.0%，比基於ResNet152的ASFD（使用TTA）高0.5%，比基於ResNet152的DSFD（使用TTA）高1.8%；

1.2、使用TTA的TinaFace：TinaFace的AP為93.4%，比基於ResNet50的HAMBox（使用TTA）高0.1%。

2、測試集上

2.1、不使用TTA的TinaFace：TinaFace的AP為92.1%，與基於ResNet152的ASFD（使用TTA）一樣，比基於ResNet152的DSFD（使用TTA）高2.1%；

2.2、使用TTA的TinaFace：TinaFace的AP為92.4%，比基於ResNet50的HAMBox（使用TTA）高0.1%。

TinaFace非常簡單，基於RetinaNet，所添加的模塊在在通用的目標檢測框架（比如mmdetection、vedadet）中都是現成的。而且訓練不需要大batch，即使你的顯存只有11G，也可以復現TinaFace。也正因為TinaFace使用的模塊都非常經典、成熟，TinaFace也會比較容易部署。

我們的代碼開源地址為TinaFace，基於vedadet，裡面提供當前最好結果的權重，以及訓練、測試、推理代碼，無論大家是想做研究、打比賽、還是僅僅想體驗state of the art的效果，這個repo都能滿足你。

vedadet能做到的不僅於此，vedadet是我們基於mmdetection開發的單階段目標檢測框架，適用任意目標檢測任務，無論是人臉檢測還是通用目標檢測。vedadet提供訓練、測試、推理特性，後續會支持轉ONNX/TensorRT，以及基於TensorRT的Python前端SDK或者C++前端SDK。

https://github.com/Media-Smart/vedadet

想了解實驗細節的朋友可以參見論文TinaFace: Strong but Simple Baseline for Face Detection。實驗中使用的數據分析工具我們也開源了——volkscv。

https://github.com/Media-Smart/volkscv

上述論文和代碼下載

後臺回覆：TinaFace，即可下載上述論文PDF和項目原始碼

目標檢測綜述下載

後臺回覆：目標檢測二十年，即可下載39頁的目標檢測最全綜述，共計411篇參考文獻。

下載2

後臺回覆：CVPR2020，即可下載代碼開源的論文合集

後臺回覆：ECCV2020，即可下載代碼開源的論文合集

後臺回覆：YOLO，即可下載YOLOv4論文和代碼

重磅！CVer-目標檢測 微信交流群已成立


掃碼添加CVer助手，可申請加入CVer-目標檢測 微信交流群，目前已匯集4000人！涵蓋2D/3D目標檢測、小目標檢測、遙感目標檢測等。互相交流，一起進步！


同時也可申請加入CVer大群和細分方向技術群，細分方向已涵蓋：目標檢測、圖像分割、目標跟蹤、人臉檢測&識別、OCR、姿態估計、超解析度、SLAM、醫療影像、Re-ID、GAN、NAS、深度估計、自動駕駛、強化學習、車道線檢測、模型剪枝&壓縮、去噪、去霧、去雨、風格遷移、遙感圖像、行為識別、視頻理解、圖像融合、圖像檢索、論文投稿&交流、PyTorch和TensorFlow等群。


一定要備註：研究方向+地點+學校/公司+暱稱（如目標檢測+上海+上交+卡卡），根據格式備註，可更快被通過且邀請進群

▲長按加群


▲長按關注我們

整理不易，請給CVer點讚和在看！

相關焦點

  • retinaface+arcface tf2 人臉檢測、比對和Docker tensorflow serving 模型部署
    寫一篇不求甚解的文章，又是github開源項目，應用預訓練模型，實現人臉檢測和比對。感覺自己越來越像拿來主義，頭腦越來越不愛轉動了。最近看了本人臉識別的書，裡邊詳細介紹了人臉識別發展和各種算法演進歷程，初步了解人臉識別系統框架流程——個人理解人臉識別系統要實現的基礎模塊：人臉檢測（人臉位置和關鍵點）、人臉識別（向量化）、人臉檢索（人臉向量檢索），本文只做了前兩部分。
  • 超越RetinaFace,騰訊優圖 ASFD 已在 WIDER FACE 霸榜半年!
    基於世界權威的人臉檢測公開評測集 WIDER FACE『http://shuoyang1213.me/WIDERFACE/WiderFace_Results.html
  • 中星微AI刷新WIDER FACE人臉檢測世界記錄
    摘要：近日，中星微AI自研的人臉檢測算法VIM_FD，在世界數據規模最大的權威人臉檢測平臺 WIDER FACE的人臉檢測競賽一舉奪得世界第一，彰顯中星微AI在人臉識別領域的創新能力和先進性。近日，中星微AI自研的人臉檢測算法VIM_FD，在世界數據規模最大的權威人臉檢測平臺 WIDER FACE的人臉檢測競賽一舉奪得世界第一，彰顯中星微AI在人臉識別領域的創新能力和先進性。這是中星微AI首次斬獲人臉檢測領域的世界第一的名次，也是中星微AI在檢測領域，階段性的重要研究成果。
  • 【乾貨】通過OpenFace來理解人臉識別
    FaceNet使用三元損失函數（triplet loss function）來計算神經網絡對人臉進行分類的準確性，並且由於在超球面（hypersphere）上產生的度量結果而能夠對人臉進行聚類。新圖像在dlib的人臉檢測模型運行之後，這個訓練好的神經網絡在後面Python實現中被使用。
  • GroupFace
    近幾年，人臉識別的研究方向大多在改進loss，從而來提升人臉識別的精度。
  • 博觀智能登頂規模最大、檢測難度最高人臉檢測數據集WIDER FACE
    吸引了中國科技大學、百度、騰訊、京東等各大門派的武林高手參與9月27日博觀智能人臉檢測算法團隊突破多尺度、遮擋、多姿態下的人臉檢測等難題刷新WIDER、檢測難度最高的人臉檢測數據集，由香港中文大學於2016年建立，按61個事件分類，涵蓋約40萬張人臉標註。
  • 最強六大開源輕量級人臉檢測項目分析 | 附打包下載
    因為人臉檢測本身並不屬於特別複雜的任務，因此輕量級的深度學習模型即可滿足該任務。本文匯總了六大開源的人臉檢測項目。如果我們拿這些通用目標檢測算法來檢測一類，比如只檢測人臉、行人或者車輛時，使用那麼多的卷積核數量、那麼深的網絡其實是不必要的。如果要檢測 80 個類別，可能需要更多參數量來擬合，但是對於一兩個類別，其實是有點殺雞用宰牛刀了，如果你的任務不複雜，卻用了ResNet18\34這種網絡，你會發現很多卷積核的激活，其實是 0，導致白白多增加了很多計算量。
  • 百度開源業內首個口罩人臉檢測及分類模型
    2月13日，百度宣布免費開源業內首個口罩人臉檢測及分類模型。該模型可以有效檢測在密集人流區域中攜帶和未攜戴口罩的所有人臉，同時判斷該者是否佩戴口罩。目前已通過飛槳PaddleHub開源出來，廣大開發者用幾行代碼即可快速上手，免費調用。
  • 乾貨 | MTCNN實時人臉檢測網絡詳解與代碼演示
    (MTCNN)實現人臉檢測與對齊是在一個網絡裡實現了人臉檢測與五點標定的模型，主要是通過CNN模型級聯實現了多任務學習網絡。整個模型分為三個階段，第一階段通過一個淺層的CNN網絡快速產生一系列的候選窗口；第二階段通過一個能力更強的CNN網絡過濾掉絕大部分非人臉候選窗口；第三階段通過一個能力更加強的網絡找到人臉上面的五個標記點；完整的MTCNN模型級聯如下：該模型的特徵跟HAAR級聯檢測在某些程度上有一定的相通之處，都是採用了級聯方式，都是在初期就拒絕了絕大多數的圖像區域，有效的降低了後期CNN
  • 創新奇智AInnoFace算法刷新人臉檢測WIDER FACE榜單排名
    【網易智能訊 5月24日消息】近日，人臉檢測公開評測集WIDER FACE，使用了選擇性二階段回歸和分類（Selective Refinement Network）讓檢測結果的召回率更高並且產生的虛檢更少，融合了多種數據増廣策略使得最終的檢測模型更加魯棒，借鑑了標籤最大化操作（Max-out Label）讓分類預測結果更加準確從而降低虛檢，利用了改進的多尺度測試策略以更好地檢測不同尺度的人臉
  • 【表情識別】基於卷積神經網絡CNN實現人臉表情識別附matlab代碼
    ,並裁剪出多個人臉區域,送入網絡中然後通過特定的注意力機制等來突出某些對表情分類貢獻較大的區域的作用.雖然這能在一定程度上提升識別效果,但同時也會增加網絡的計算量,並使網絡結構變得更加複雜.自然場景下的人臉圖像背景較複雜,往往會受到不同因素的幹擾,比如光照變化,遮擋以及頭部姿態變化等,實現自然場景下的人臉表情識別更具重要的研究價值和現實意義。
  • 中國實驗室刷新FaceForensicsBenchmark紀錄,綜合結果業界第一
    近日，騰訊優圖實驗室首度刷新人臉偽造檢測FaceForensicsBenchmark新紀錄，整體檢測準確率達到業界第一。FaceForensicsBenchmark是德國慕尼黑工業大學（TUM）聯合Google等多家機構共同發布的大規模人臉偽造數據集，以促進業界對人臉偽造檢測的學術研究，並提升工業界對於人臉防偽業務落地的重視程度。近幾年，隨著生成對抗網絡等AI技術的發展，深度人臉生成技術及其應用不斷成熟，人們可以通過神經網絡快速實現人臉生成、人臉編輯和人臉替換。
  • Python不超過10行代碼就可實現人臉識別,教你辨別真假
    人臉識別技術大致由人臉檢測和人臉識別兩個環節組成。之所以要有人臉檢測，不光是為了檢測出照片上是否有人臉，更重要的是把照片中人臉無關的部分刪掉，否則整張照片的像素都傳給f(x)識別函數肯定就不可用了。人臉檢測不一定會使用深度學習技術，因為這裡的技術要求相對低一些，只需要知道有沒有人臉以及人臉在照片中的大致位置即可。
  • 人臉檢測+數據訓練+人臉識別
    準備工作：安裝opencv-python安裝opencv-contrib-python一、先寫一個單張的人臉識別代碼
  • Python系列之三——人臉檢測、人臉識別
    比詹小白還要白的童鞋可以查看往期文章進行了解噢1.人臉識別（一）——從零說起2.人臉識別（二）——訓練分類器3.人臉識別（二）——訓練分類器的補充說明4.人臉識別（三）——源碼放送一、人臉檢測      python版人臉檢測基本上可以參照C++版本的程序，根據語法不同進行改寫即可。
  • 手把手教你使用樹莓派實現實時人臉檢測
    語言和庫：步驟本文主要講述如何使用 PiCam 實現實時人臉識別，如下圖所示：本教程使用 OpenCV 完成，一個神奇的「開源計算機視覺庫」，並主要關注樹莓派（因此，作業系統是樹莓派系統）和 Python，但是我也在 Mac 電腦上測試了代碼，同樣運行很好。
  • Face Recognition:謹慎人臉識別背後的隱私洩露|OPINION
    人臉識別是一種生物特徵識別技術，包括人臉圖像採集、人臉定位、人臉識別預處理、身份識別和身份搜索等。As a new technology, face recognition rises with the construction of "smart city".
  • 京東AI研究院在業界頂級人臉檢測榜單「WIDER FACE」三項評測排名...
    ，在行業研究平臺上展現出京東AI研究院出色的人臉檢測實力。數據集涵蓋32203張圖片與393703張人臉標註，應用極端人臉尺寸變化、拍照角度引起的人臉姿態變化、不同程度的人臉遮擋、表情變化、光照強弱差異以及化妝等多種影響因素，極大地增加了圖像人臉檢測的難度。
  • WIDER FACE評測結果出爐:滴滴人臉檢測DFS算法摘冠
    【TechWeb】4月26日消息，近日，世界權威的人臉檢測公開評測集WIDER FACE公布最新評測結果，滴滴AI Labs團隊聯合北京郵電大學PRIS團隊提出的人臉檢測DFS算法，在WIDER FACE的Easy、Medium和Hard三個評測子集的六項評估結果中, 超過了國內外眾多科技公司和高校院所
  • 論文篇——Eigenface for recognition
    這學期仍舊在上跟ML相關的課程，之後會講到人臉識別，現在的人臉識別都是基於DL的。這篇論文呢，是非常早期的人臉識別，是統計學習方法在人臉識別應用的開山之作，是上個世紀的論文。之前在本科上Intro to AI的時候教授就講過這個方法來做人臉識別。然後在紐大讀研上ML的時候，教授也用代碼給我們講了這個demo。這裡做一個複習。