إيجاد الوجوه الصغيرة جداً

رغم التقدم الكبير الذي تحقق في مجال التعرف على الأشياء، فإن أحد التحديات المفتوحة المتبقية هو اكتشاف الأشياء الصغيرة. نستكشف ثلاثة جوانب من المشكلة في سياق العثور على الوجوه الصغيرة: دور الثبات حيال الحجم، دقة الصورة، والتفكير السياقي. بينما تسعى معظم الأساليب للتعرف إلى أن تكون ثابتة حيال الحجم، فإن المؤشرات للتعرف على وجه بارتفاع 3 بكسل تختلف بشكل جذري عن تلك المستخدمة للتعرف على وجه بارتفاع 300 بكسل. نتبع نهجًا مختلفًا ونقوم بتدريب كاشفات منفصلة لأحجام مختلفة. للحفاظ على الكفاءة، يتم تدريب الكاشفات بطريقة متعددة المهام: حيث تستفيد من الخصائص المستخرجة من طبقات متعددة في هرم ميزات واحد (عميق). بينما يكون تدريب الكاشفات للأجسام الكبيرة أمرًا مباشرًا، يبقى التحدي الرئيسي هو تدريب الكاشفات للأجسام الصغيرة. نوضح أن السياق مهم للغاية، ونحدد قوالب تستفيد من حقول استقبال ضخمة (حيث تمتد 99% من القالب خارج الجسم محل الاهتمام). أخيرًا، نستكشف دور الحجم في الشبكات العميقة المدربة مسبقًا، ونقدم طرقًا لتوسيع نطاق الشبكات التي تم ضبطها لأحجام محدودة إلى نطاقات شديدة التطرف. نظهر النتائج الرائدة في مجال البيانات المرجعية الضخمة للوجوه (مثل FDDB و WIDER FACE). وبشكل خاص، عند مقارنتها مع الأعمال السابقة على WIDER FACE، فإن نتائجنا تقلل الخطأ بمقدار عامل 2 (حيث تنتج نماذجنا معدل دقة بنسبة 82% بينما تتراوح الأعمال السابقة بين 29-64%).