如何提高人脸检测的精确率召回率，并且降低时延？

kuluosaki 2018-12-29 01:51:12

最近在做MTCNN相关的人脸检测，发现时延和精确率召回率都不达标，我想请教一下各位，如何选用模型或优化模型，达到较好的性能？

...全文

113 回复打赏收藏转发到动态举报

写回复

回复

切换为时间正序

请发表友善的回复…

发表回复

作者：禅与计算机程序设计艺术随着社会经济的发展，人们越来越多地依赖于计算机技术来解决各种各样的问题。人工智能（AI）作为人类智慧的一种实现方式之一，正在引领着科技革命，提升我们的工作效率、生活品质与幸福指数。随着人工智能技术的不断进步，人脸识别也变得越来越重要。人脸识别能够自动从图像中识别人脸的面部特征，并对其进行身份验证、行为分析等，

目标检测是很多计算机视觉应用的基础，比如实例分割、人体关键点提取、人脸识别等，它结合了目标分类和定位两个任务。现代大多数目标检测器的框架是 two-stage，其中目标检测被定义为一个多任务学习问题：1）区分前景物体框与背景并为它们分配适当的类别标签；2）回归一组系数使得最大化检测框和目标框之间的交并比（IoU）或其它指标。最后，通过一个 NMS 过程移除冗余的边界框（对同一目标的重复检测）。本文...

随着社会的发展和信息科技的提高，人们在实际工作中已经普遍使用计算机视觉技术获取数据信息，正是这种不断扩大的市场需求促进计算机视觉技术不断创新，以适应不同的应用场景，也导致了计算机视觉技术发展方向繁多，出现多种学科交叉的现状。视觉作为一种感知外部世界的重要途径，它主要依靠不断的捕捉图像画面来获取信息。而目标检测作为计算机视觉技术中最基本的和最主要的任务之一，它的目的是对图像中用户所感兴趣的目标完成位置信息的确认以及所属类别的分类，由于目标检测的效果在很大程度上影响后续视觉处理任务的进。

目标检测是很多计算机视觉应用的基础，比如实例分割、人体关键点提取、人脸识别等，它结合了目标分类和定位两个任务。现代大多数目标检测器的框架是 two-stage，其中目标检测被定义为一个多任务学习问题： 1）区分前景物体框与背景并为它们分配适当的类别标签； 2）回归一组系数使得最大化检测框和目标框之间的交并比（IoU）或其它指标。 3）最后，通过一个 NMS 过程移除冗余的边界框（对同一目标的重复检...

目标检测网络是计算机视觉领域的一个重要研究方向，目前在研究和使用的目标检测网络都是基于深度学习的深度神经网络。基于深度学习的目标检测网络算法大致可以分为两大类，一类是单阶段目标检测网络，一类是二阶段目标检测网络。二阶段目标检测网络如RCNN需要生成多个候选区域在进行目标的分类和定位，运行的速度较慢，而单阶段目标检测网络则不需要通过候选区域直接生成目标的分类和定位信息，所以速度较快，本文也选择了基于YOLO系列算法的YOLOX作为基础模型。

80,348

社区成员

91,289

社区内容

发帖

与我相关

我的任务

androidandroid-studioandroidx 技术论坛（原bbs）

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章