人臉識別各**參考
知乎乙個欄目：
首先介紹一下常用人臉檢測的常用資料庫：
每張影象的人臉數量偏少，平均1.8人臉/圖，絕大多數影象都只有一人臉；
資料集完全公開，published methods通常都有**，大部分都開源**且可以復現，可靠性高；unpublished methods沒有**沒有**，無法確認它們的訓練集是否完全隔離，持懷疑態度最好，通常不做比較。（扔幾張fddb的影象到訓練集，vj也可以訓練出很高的召回率。。需要考慮人品能不能抵擋住利益的**）
有其他隔離資料集無限制訓練再fddb測試，和fddb十折交叉驗證兩種，鑑於fddb影象數量較少，近幾年**提交結果也都是無限制訓練再fddb測試方式，所以，如果要和published methods提交結果比較，請照做。山世光老師也說十折交叉驗證通常會高1~3%。
結果有離散分數discroc和連續分數controc兩種，discroc僅關心iou是不是大於0.5，controc是iou越大越好。鑑於大家都採用無限制訓練加fddb測試的方式，detector會繼承訓練資料集的標註風格，繼而影響controc，所以discroc比較重要，controc看看就行了，不用太在意。
每張影象的人臉資料偏多，平均12.2人臉/圖，密集小人臉非常多；
分訓練集train/驗證集val/測試集test，分別佔40%/10%/50%，而且測試集的標註結果(ground truth)沒有公開，需要提交結果給官方比較，更加公平公正，而且測試集非常大，結果可靠性極高；
根據edgebox的檢測率情況劃分為三個難度等級：easy, medium, hard。
1.ssd
這篇博文介紹了ssd跑自己資料的做法
feature map cell，feature map cell 是指feature map中每乙個小格仔，假設分別有64和16個cell。另外有乙個概念：
default box，是指在feature map的每個小格(cell)上都有一系列固定大小的box，如下圖有4個（下圖中的虛線框，仔細看格仔的中間有比格仔還小的乙個box）。假設每個feature map cell有k個default box，那麼對於每個default box都需要**c個類別score和4個offset，那麼如果乙個feature map的大小是
m×n，也就是有
m*n個feature map cell，那麼這個feature map就一共有
（c+4）*k * m*n個輸出。這些輸出個數的含義是
：採用3×3的卷積核對該層的feature map卷積時卷積核的個數，包含兩部分（實際code是分別用不同數量的3*3卷積核對該層feature map進行卷積）：數量ckmn是confidence輸出，表示每個default box的confidence，也就是類別的概率；數量4kmn是localization輸出，表示每個default box回歸後的座標）。訓練中還有乙個東西：
prior box，是指實際中選擇的default box（每乙個feature map cell 不是k個default box都取）。也就是說default box是一種概念，prior box則是實際的選取。訓練中一張完整的送進網路獲得各個feature map，對於正樣本訓練來說，需要先將prior box與ground truth box做
匹配，匹配成功說明這個prior box所包含的是個目標，但離完整目標的ground truth box還有段距離，訓練的目的是保證default box的分類confidence的同時將prior box盡可能回歸到ground truth box。 舉個列子：假設乙個訓練樣本中有2個ground truth box，所有的feature map中獲取的prior box一共有8732個。那個可能分別有10、20個prior box能分別與這2個ground truth box匹配上。訓練的損失包含定位損失和回歸損失兩部分。
2.s3fd
github**：
這篇文章對anchor對小人臉檢測率低的問題進行了分析和改進。
基於anchor方法的缺點：
3.mtcnn
該演算法直接實現了人臉檢測和人臉對其。
其結構是是三個cnn級聯：
p-net r-net o-net
主要是人臉landmark檢測
stage 1：使用p-net是乙個全卷積網路，用來生成候選窗和邊框回歸向量(bounding box regression vectors)。使用bounding box regression的方法來校正這些候選窗，使用非極大值抑制（nms）合併重疊的候選框。全卷積網路和faster r-cnn中的rpn一脈相承。
stage 2：使用n-net改善候選窗。將通過p-net的候選窗輸入r-net中，拒絕掉大部分false的視窗，繼續使用bounding box regression和nms合併。
stage 3：最後使用o-net輸出最終的人臉框和特徵點位置。和第二步類似，但是不同的是生成5個特徵點位置。
該**實現了mtcnn人臉檢測部分：（最終結果為畫框）
該**實現了mtcnn python版本：（還沒跑過）
人臉檢測演算法
人臉識別各 參考 知乎乙個欄目 首先介紹一下常用人臉檢測的常用資料庫 fddb和wider face fddb總共2845張影象，5171張，人臉非約束環境，人臉的難度較大，有面部表情，雙下巴，光照變化，穿戴，誇張髮型，遮擋等難點，是目標最常用的資料庫。有以下特點 wider face wider ...
SSH人臉檢測演算法創新點
1 檢測模組，使用7 7和5 5的的視窗增加了特徵map之後的感受野 3 訓練的時候，只是用anchor layer,只是判斷一下anchors的的正負類，測試的時候，使用使用proposal layer,和faster相比，少了roi層，速度較快 4 可以使用對尺度的訓練方式，進一步的增加精度 5...
人臉活體檢測演算法設計
人臉活體驗證是人臉識別過程中重要的一環，主要用以區分真實人臉與假臉影象，能夠識別通過紙張列印 螢幕翻拍 3d模型等場景的欺騙行為。我們在演算法設計階段，嘗試了不同的方法，包括svm lbp 深度學習等，針對單一場景或者攝像頭，能夠得到不錯的效果，但是沒有得到乙個能夠適配多種攝像頭的活體演算法 我們將...