Posted on 2015年6月22日2015年6月22日 by bluewind
Related Post
- Science AI專欄
- [開源]deepy based on Theano
- [開源]GUI for Caffe
- [會議]WWW2015
- [開源]百度深度學習
人臉檢測研究2015最新進展
from： http://www.cvrobot.net/latest-progress-in-face-detection-2015/
搜集整理了2004~2015性能最好的人臉檢測的部分資料，歡迎交流和補充相關資料。
1：人臉檢測性能
1.1 人臉檢測測評
目前有兩個比較大的人臉測評網站：
1：Face Detection Data Set and Benchmark（FDDB）
網址：http://vis-www.cs.umass.edu/fddb/results.html
FDDB是由馬薩諸塞大學計算機系維護的一套公開資料庫，為來自全世界的研究者提供一個标準的人臉檢測評測平台，其中涵蓋在自然環境下的各種姿态的人臉；該校還維護了LFW等知名人臉資料庫供研究者做人臉識别的研究。作為全世界最具權威的人臉檢測評測平台之一，FDDB使用Faces in the Wild資料庫中的包含5171張人臉的2845張圖檔作為測試集，而其公布的評測集也代表了人臉檢測的世界最高水準。
FDDB更新更及時一些，是以本文的資料還是主要參考的FDDB。
2：Fine-grained evaluation of face detection in the wild
網址：http://www.cbsr.ia.ac.cn/faceEvaluation/results.html
該測試網站是由李子青老師的研究組創立和維護的，其性能評估更細緻，分析不同分辨率、角度、性别、年齡等條件下的算法準确率。該測試集更新沒有FDDB及時。
1.2 Suevey
1）2010年微軟zhang cha和張正友撰寫的人臉檢測的綜述報告
[MSR-TR-2010] A_survey_of_recent_advances_in_face_detection
2）Stefanos Zafeiriou, Cha Zhang和張正友撰寫了最新的人臉檢測的綜述paper，将出版在2016年的《Computer Vision and Image Understanding》
[CVIU 2015] A Survey on Face Detection in the wild past, present and future
最新性能總結如下：
1）在過去的10年人臉檢測的性能已經有了激動人心的提升。
2）這些引人注目的性能提升，主要還是得益于将Viala-Jones的boosting和魯棒性的特征相組合。
3）始終有15~20%的性能Gap，即使允許一個相對較大的FP(大約1000）,始終有15~10%的人臉無法被檢測到。需要特别指出的是這些Gap主要是由于是失焦的人臉（比如模糊的人臉）。
4）在這個Benchmark中，最好的基于boosting技術和最好的基于DPM的技術是比較接近的。當然最好的技術還是boosting和DPM組合在一起的性能。（這個就是指的[ECCV 2014] Joint Cascade Face Detection and Alignment）
1.4 有關人臉檢測名額
如果對于人臉檢測名額不是很熟悉，可以參考http://www.cvrobot.net/recall-precision-false-positive-false-negative/
2. 2014的進展
1：Joint Cascade Face Detection and Alignment. ECCV 2014. D. Chen, S. Ren, Y. Wei, X. Cao, J. Sun.
Paper：[ECCV 2014] Joint Cascade Face Detection and Alignment
中文介紹：聯合人臉檢測、校準算法介紹
2：The fastest deformable part model for object detection J. Yan, Z. Lei, L. Wen, S. Z. Li,
paper：[CVPR 2014] The Fastest Deformable Part Model for Object Detection
3：Face detection without bells and whistles. ECCV 2014. M. Mathias, R. Benenson, M. Pedersoli and L. Van Gool.
Paper：[ECCV 2014] Face detection without bells and whistles.
project：http://markusmathias.bitbucket.org/2014_eccv_face_detection/
Code：https://bitbucket.org/rodrigob/doppia
Talk： http://videolectures.net/eccv2014_mathias_face_detection/ （不錯的報告）
Slide：eccv2014_mathias_face_detection_01
4：A Method for Object Detection Based on Pixel Intensity Comparisons Organized in Decision Trees. CoRR 2014. N. Markus, M. Frljak, I. S. Pandzic, J. Ahlberg and R. Forchheimer.
Code：https://github.com/nenadmarkus/pico
Paper：Object Detection with Pixel Intensity Comparisons Organized in Decision Trees
5：Aggregate channel features for multi-view face detection.. B. Yang, J. Yan, Z. Lei and S. Z. Li.
Paper：[IJCB 2014] Aggregate channel features for multi-view face detection
3. 2015的最新進展
6：A Convolutional Neural Network Cascade for Face Detection. H. Li , Z. Lin , X. Shen, J. Brandt and G. Hua.
paper：[CVPR2015] A Convolutional Neural Network Cascade for Face Detection
7：Multi-view Face Detection Using Deep Convolutional Neural Networks. S. S. Farfade, Md. Saberian and Li-Jia Li
這是yahoo的人臉檢測
Paper：[ICMR 2015] Multi-view Face Detection Using Deep Convolutional Neural Networks
News：The Face Detection Algorithm Set to Revolutionize Image Search
8：Face Detection with a 3D Model. A. Barbu, N. Lay, G. Gramajo.
paper：Face Detection with a 3D Model
結論：The 3D proposals are not perfectly aligned with the face keypoints, which results in a reduced accuracy in the high precision/very low false positive regime compared to other state of the art methods. However, in the regime of at least 0.1 false positives per image, it outperforms the cascade-based state of the art methods.
聲明：
如果轉載了本文，也請注明轉載出處：http://www.cvrobot.net/latest-progress-in-face-detection-2015/。
Posted in ARTICLES, 共享文檔, 研究進展