4，在FDDB和WIDER FACE數(shù)據(jù)集上的實驗表明，我們提出的DSFD網(wǎng)絡是最好的算法。 特征學習 ，人臉檢測的早期工作主要依賴手工設計的特征，例如哈爾特征，控制點設置，邊緣方向直方圖。 然而，手工設計的特征缺少引導。
大家好，今天給大家分享一篇人臉算法領域非常知名的paper，RetinaFace (RetinaFace: Single-stage Dense Face Localisation in the Wild)。 同時也在文末附上開源項目的鏈接。
這表明了（1）人臉檢測和對準會嚴重影響人臉識別性能，并且（2）對于人臉識別應用，RetinaFace比MTCNN具有更強的基準。 在圖9中，我們在每個圖例的末尾顯示了IJB-C數(shù)據(jù)集上的ROC曲線以及FAR = 1e-6的TAR。
常見的人臉關鍵點檢測算法中，其損失函數(shù)一般都是 L2 Loss（如下圖左側(cè)所示，其中的 用來控制各個關鍵點的權(quán)重）。 作者考慮到現(xiàn)有數(shù)據(jù)集中極端情況的樣本數(shù)量少，故對旋轉(zhuǎn)角度大的樣本給予更大的 Loss 權(quán)重（如下圖右側(cè)所示，），以此緩解所存在的數(shù)據(jù)樣本分布不平衡的問題。
