Robuste Gesichtserkennung durch das Lernen kleiner Gesichter auf schwierigen Bildern

Kürzlich haben anchor-basierte tiefere Gesichtserkennungssysteme vielversprechende Ergebnisse erzielt, aber sie haben immer noch Schwierigkeiten, schwierige Gesichter wie kleine, unscharfe und teilweise verdeckte Gesichter zu erkennen. Ein Grund dafür ist, dass sie alle Bilder und Gesichter gleich behandeln, ohne mehr Aufwand für die schwierigen Fälle aufzuwenden; jedoch enthalten viele Trainingsbilder nur einfache Gesichter, die weniger hilfreich sind, um eine bessere Leistung bei schwierigen Bildern zu erzielen. In dieser Arbeit schlagen wir vor, dass die Robustheit eines Gesichtserkennungssystems gegen schwierige Gesichter durch das Lernen kleiner Gesichter in schwierigen Bildern verbessert werden kann. Unsere Intuitionen sind: (1) Schwierige Bilder sind Bilder, die mindestens ein schwieriges Gesicht enthalten, wodurch sie das Training robuster Gesichtserkennungssysteme fördern; (2) Die meisten schwierigen Gesichter sind kleine Gesichter und andere Arten von schwierigen Gesichtern können leicht durch Verkleinerung in kleine Gesichter umgewandelt werden. Wir entwickeln einen anchor-basierten tiefen Gesichtserkennungsdetektor, der nur eine einzelne Feature Map mit kleinen Ankers erstellt, um sich speziell auf das Lernen kleiner Gesichter zu konzentrieren und ihn mit einer neuen Strategie zur Auswahl von schwierigen Bildern zu trainieren. Ausführliche Experimente wurden auf den Datensätzen WIDER FACE, FDDB, Pascal Faces und AFW durchgeführt, um die Effektivität unserer Methode zu demonstrieren. Unsere Methode erreicht AP-Werte von 95,7 %, 94,9 % und 89,7 % auf den einfachen, mittleren und schweren Teilmenge des WIDER FACE Val-Datensatzes respektive, was den bisherigen Stand der Technik übertrifft, insbesondere in der schweren Teilmenge. Der Quellcode und das Modell sind unter https://github.com/bairdzhang/smallhardface verfügbar.