本文主要是介绍Detection简记2-DAFE-FD: Density Aware Feature Enrichment for Face Detection,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
创新点
1.使用密度估计模型增强检测中的特征图
总结
整个流程还是很清晰的。
conv1-3的特征图经过密度估计模块由检测器D1进行检测。
D2-4分别是四个检测器。
FFM是特征融合模块,将不同层不同大小的特征融合。
FFM网络结构如下:
首先使用1X1的卷积减少两组特征的厚度到128,然后使用双线性插值统一两组特征图的尺寸,然后相加。类似于cvpr2017的SSH。
多尺度检测器的网络结构如下:
CAM是上下文信息回归模块,整合候选框周围的上下文信息。其中使用了空洞卷积增加了感受野。
密度估计模块:
网络结构如图所示:
首先maxpooling下采样conv1,2与3一致,通过CNN减少尺寸并concate。然后通过1X的卷积得到最后的密度估计。loss是2范数。
DEM中有一个FEM,特征增强模块。很简单的思想,加权和。F_D重复256次使得维度相同,然后×一个可学习的参数α,加上conv3得到最后的特征图。
实验
可能因为数据和网络深度关系,比不上S3FD。
这篇关于Detection简记2-DAFE-FD: Density Aware Feature Enrichment for Face Detection的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!