RetinaFace : Single-stage Dense FaceLocalisation in the Wild(Face detection) 논문 정리

 

 

 

 

 

- face detection + instance Segmentation(이미지 특징 찾기)를 동시에 품  

- detection만 하는 모델
  Landmarks만 하는 모델이 많은데 
  RetinaFace는 동시에 한다

- Face classification(얼굴인지 아닌지)
  Face box regression
  Facial landmark regression(객체 인식)

  +

  Dense face regression()를 추가했더니 성능이 더 좋아졌다.


-  ArcFace에 대한 설명 12:50

- Featurized image pyramid 
  이 방법은 각 레벨에서 독립적으로 특징을 추출하여 객체를 탐지하는 방법이다. 

  image pyramid는 학습 시키는데 몇배의 학습이 걸림





- Two-stage는 오류가 적고 느리다
  single-stage는 오류가 상대적으로 좀 있지만 빠르다(가볍다)
  (RetinaNet도 single-stage)

-  detection의 기술을 늘리기보다 segmention한 task를 추가했더니 성능향상


- 오토인코터 : 딥러닝을 이용한 가상의 이미지를 만드는 방법
입력 데이터의 특징을 효율적으로 담아낸 이미지를 만들어냄 이런 기술인거같음

- 이미지 피라미드에서 각 scale마다 뽑고 feature 피라미드에서 특징을 뽑아낸다음 
가장 작은 이미지까지 detection하기위해 context Module이라는 개념을 넣어서 
컨볼루션시켜주면 작은 이미지들도 detection이 가능하다.
근데 retinaface에서 컨볼루션을 시킬 때 DCN(Deformable convolution network)를 사용



- MTCNN이랑 RetinaFace 둘다 detection하는 모델
 detection하고 crop(크롭) 된게 나오면 얼마나 verification(ArcFace)를 하는지

 

 

 

RetinaFace Single-stage Dense Face Localisation in the Wild.pdf

5.77MB