本文主要是介绍MTCNN算法提速应用（ARM测试结果评估），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！
经博主测试，mtcnn原三层网络如果用于工程测试，误检情况严重，在fddb上测试结果也是，经常将手或者耳朵检测为人脸，这个很头疼（因为标注数据！），所以重新训练显得尤为重要！
博主的改进方法及如何重新训练的就不具体介绍了，主要思想就是用卷积取代池化，fddb测试离散ROC88!
注意：某些公开的非官方mtcnn训练方法有误！只可参考，不可深入！
PC端测试：（测试软件：vs2015，测试硬件：i7-4790-4core）
1920x1080视频，最小检测人脸为60，速度为22ms！
640x480视频，最小人脸为25，速度为17ms！
arm端测试：（硬件：香橙派，全志A64芯片，4核64位Cortex-A53，市场价格240元！）
测试：640x480视频，最小检测人脸80，速度30ms！
测试效果如下（这里对比了Shiqi YU的人脸检测）：
| 算法 | 测试图像尺寸 | 测试最小人脸尺寸 | 算法耗时（ms） |
| ShiqiYU-facedetect_frontal | 2064x1078 | 40 | 95 |
| ShiqiYU-facedetect_frontal_surveillance | 2064x1078 | 40 | 125 |
| ShiqiYU-facedetect_multiview | 2064x1078 | 40 | 215 |
| ShiqiYU-facedetect_multiview_reinforce | 2064x1078 | 40 | 380 |
| OURS | 2064x1078 | 40 | 83 |
ShiqiYU-facedetect_fronta
ShiqiYU-facedetect_frontal_surveillancel
ShiqiYU-facedetect_multiview
ShiqiYU-facedetect_multiview_reinforce
ours
任何问题请加唯一QQ2258205918（名称samylee）！
或唯一VX：samylee_csdn
这篇关于MTCNN算法提速应用（ARM测试结果评估）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！
