抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
最近のアンカーベースの深い顔検出器は有望な性能を達成しているが,それらは小さな,ぼけた,部分的に閉塞された面のような困難な面を検出するためにまだ苦struしている。1つの理由は,それらがすべての画像と顔を等しく扱い,容易な画像と硬い画像の間の不均衡を無視することである。しかしながら,大量の訓練画像は容易な顔しか含まず,それは困難な顔のためのロバスト検出器を学習するのに役に立たない。本論文では,ハード顔に対する顔検出器のロバスト性を,ハード画像上の小さな顔を学習することにより改善できることを提案した。著者らの直感は,(1)硬い画像は,少なくとも1つの困難な顔を含む画像であり,したがって,それらは,訓練ロバスト顔検出器を容易にする。(2)ほとんどのハード面は小さい面であり,他のタイプのハード面は容易に小面に縮小できる。この目的のために,小さなアンカーを持つ単一高分解能特徴マップを出力し,特に小さな顔を学習し,それらの困難さに応じて画像上の訓練重みを自動的に調整する新しいハード画像マイニング戦略によりそれを訓練する,アンカーベースの深い顔検出器を構築した。広範な実験を,より広いFACE,FDDB,Pascal Faces,およびAFWデータセットで行い,著者らの方法は,それぞれ,容易,中程度,および困難な広いFACEデータセットにおいて,それぞれ95.7,94.9および89.7のAPsを達成し,特に,ハード面検出に関して,著者らの方法の有効性を検証した。この検出器は軽量で,高速推論速度を持つ。コードとモデルはhttps://github.com/bairdzhang/smallhardfaceで利用可能である。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】