文章预览
人脸检测通常尝试使用如ResNet-50/101/152和VGG16/19这样的大型预训练 Backbone 网络。一些近期的工作也提出了带有定制 Backbone 网络、新颖损失函数和高效训练策略的轻量级检测器。 本文的创新之处在于,在仅使用常见的损失函数和学习策略进行训练的情况下,设计了一个轻量级检测器。所提出的人脸检测器大致遵循已建立的RetinaFace架构。 本文的第一个贡献是设计了一个定制的轻量级 Backbone 网络(BLite),该网络拥有0.167M个参数和0.52 GFLOPs。 第二个贡献是使用了两个独立的多任务损失。所提出的轻量级人脸检测器(FDLite)拥有0.26M个参数和0.94 GFLOPs。该网络在WIDER FACE数据集上进行训练。 观察到FDLite在WIDER FACE验证数据集的简单、中等和困难子集中分别达到了92.3%,89.8%和82.2%的平均精度(AP)。 1 Introduction 人脸检测是计算机视觉应用(如人脸追踪、人脸识
………………………………