논문 소개-#3 Real-Time Rotation-Invariant Face Detection with Progressive Calibration Networks

논문소개-#3

오치아이 선생님의 형식 을 바탕으로 논문을 정리 소개해 가는 기사입니다.

이번에는 Real-Time Rotation-Invariant Face Detection with Progressive Calibration Networks 이라는 논문을 소개합니다.
이르지 않는 곳뿐이므로 츳코미 기다리고 있습니다!

무슨 일이야?

MTCNN 수준의 실시간성을 유지하면서 회전 불변의 안경 검출을 실시하는 Progressive Calibration Network(PCN)를 제안했다.

선행 연구에 비해 어디가 대단한가?

일반적으로 회전에 대해 다음 세 가지 전략이 취해집니다.
1, 데이터 오그멘테이션
일반적인 얼굴 프레임 검출기에 회전 얼굴 데이터를 넣는다. 모델에 수정없이 학습할 수 있지만 학습에 비용이 든다.
2, 분할 통치법
각 회전 각도에 대해 각각의 모델을 학습한다는 것. 하나의 모델은 작아 끝나지만 전체적으로 시간이 걸린다.
3, Rotation router
라우터 네트워크에 의해 추정된 RIP 각도를 바탕으로 직립하도록 캘리브레이션한 얼굴 화상에 대해서, 얼굴 프레임 검출을 행한다고 하는 것. RIP 각도의 추정은 난이도가 높기 때문에 대규모 모델이 되어 버리고 라우터 네트워크의 오검출이 얼굴 프레임 검출에도 영향을 미친다.


이러한 기존 방법은 큰 RIP 변동을 처리하기 위해 속도와 정확도와의 트레이드오프 관계이었지만, 단계적 교정 프로세스를 도입함으로써 정확하고 신속한 인테리어 검출을 가능하게 한다. 했다.

기술이나 기법의 키모는 어디?

PCN은 180도, 90도, 45도(마지막은 -45~45 사이에서 직접 RIP 각도 추정)와 캘리브레이션 프로세스를 3단계로 나누어 서서히 얼굴을 직립해 가는 것으로 예측 작업이 간단 되어 정확하고 신속한 캘리브레이션을 실현할 수 있다.

어떻게 유효하다고 검증했습니까?

데이터 오그멘테이션, 분할 통치법, rotarion router의 3가지 종래 전략을 최첨단 안경 검출 모델에 적용하여 FDDB 데이터 세트와 WIDER FACE 데이터 세트로 비교하였다.

논쟁이 있습니까?

언급 없음

다음에 읽어야 할 논문은?

Rotation invariant neural network-based face detection