MTCNN论文阅读

传统模型耗时耗力,额外标注费心费力。

MTCNN把人脸检测分成了多任务的三个部分。

作者通过多任务学习,使用统一的级联CNNs来整合这两个任务。

所提出的CNNs包括三个阶段:

在第一阶段,它通过浅层CNN快速产生候选窗口。
然后,它通过一个更复杂的CNN对窗口进行细化,拒绝大量的非人脸窗口。
最后,它使用一个更强大的CNN来完善结果并输出人脸landmark坐标点位置。

基于这种多任务学习框架,算法的性能可以得到显著提升。

总结而言:

  • 作者提出了一种新的基于级联CNNs的人脸联合检测与配准框架,并精心设计了轻量级CNN架构,以提高实时性能。
  • 提出了一种有效的方法进行在线的难样本挖掘,以提高性能。
  • 使用一些有名的比较难的数据集进行检测,以证明所提出的方法在人脸检测和人脸对齐任务中与最先进的技术相比有显著的性能提升。