Détection robuste de visages par apprentissage de petits visages sur des images difficiles

Les détecteurs de visages profonds basés sur des ancres récents ont obtenu des performances prometteuses, mais ils peinent encore à détecter les visages difficiles, tels que les visages petits, flous et partiellement occultés. Une raison en est qu'ils traitent toutes les images et tous les visages de manière équivalente, sans accorder plus d'efforts aux cas difficiles ; cependant, de nombreuses images d'entraînement ne contiennent que des visages faciles, ce qui est moins utile pour améliorer les performances sur les images difficiles. Dans cet article, nous proposons que la robustesse d'un détecteur de visages face aux visages difficiles peut être améliorée en apprenant spécifiquement les petits visages présents dans des images difficiles. Nos intuitions sont : (1) les images difficiles sont celles qui contiennent au moins un visage difficile, facilitant ainsi l'entraînement de détecteurs de visages robustes ; (2) la plupart des visages difficiles sont des petits visages et d'autres types de visages difficiles peuvent être facilement convertis en petits visages par réduction. Nous avons construit un détecteur de visages profonds basé sur des ancres qui ne produit qu'une seule carte de caractéristiques avec des ancres petites, afin d'apprendre spécifiquement les petits visages et de l'entraîner grâce à une nouvelle stratégie d'extraction d'images difficiles. De nombreux expériences ont été menées sur les jeux de données WIDER FACE, FDDB, Pascal Faces et AFW pour démontrer l'efficacité de notre méthode. Notre méthode atteint des précisions moyennes (AP) respectivement de 95,7 %, 94,9 % et 89,7 % sur le jeu de validation WIDER FACE facile, moyen et difficile, surpassant ainsi l'état de l'art précédent, particulièrement sur le sous-ensemble difficile. Le code source et le modèle sont disponibles à l'adresse suivante : https://github.com/bairdzhang/smallhardface.