詳解OpenVINO 模型庫中的人臉檢測模型

人臉檢測模型

OpenVINO的模型庫中有多我的臉檢測模型，這些模型分別支持不一樣場景與不一樣分辨率的人臉檢測，同時檢測精度與速度也不一樣。下面以OpenVINO2020 R04版本爲例來逐一解釋模型庫中的人臉檢測，列表以下：

從列表中能夠看出骨幹特徵網絡主要是MobileNetv2與SqueezeNet兩種支持實時特徵網絡，ResNet152是高精度的特徵網絡，檢測頭分別支持SSD、FCOS、ATSS。

MobileNetv2版本的模型結構

深度可分離卷積



看懂上面的三張圖就好拉！

ResNet網絡

殘差網絡模型在2015年提出，OpenCV從3.3版本開始支持，相關的論文以下：

https://arxiv.org/pdf/1512.03385.pdf

SqueezeNet網絡

該模型與MobileNet網絡都是支持移動端/端側可部署的模型，2016提出，相關論文以下：

https://arxiv.org/pdf/1602.07360.pdf

模型結構

檢測模型

根據不一樣的檢測頭，組合生成不一樣的對象檢測模型，這裏三種常見的檢測模型：

SSD檢測

SSD論文中給出的是基於VGG-16做爲backbone網絡的，替換VGG爲MobileNetV2，而後從第12個權重層開始提取特徵到第14或者15個權重層，針對anchor預測與類別預測完成迴歸與分類損失計算，實現對象檢測模型訓練。

FCOS檢測

跟YOLOv1類似是一個anchor-free的網絡模型

多了一箇中心輸出來壓制低質量的bounding box輸出。

ATSS

ATSS的全稱是自適應訓練樣本選擇，

做者首先對比了RetinaNet與FCOS兩種對象檢測方法，發現對象檢測在迴歸階段的本質問題是如何選擇正負樣本，解決樣本不平衡性問題，從而提出了一種新的正負樣本選擇定義方法-自適應訓練樣本選擇（ATSS）。流程以下：

該方法能夠得到更好的對象檢測精度與mAP，適用RetinaNet與FCOS等對象檢測網絡。實際實驗數據對比：

實驗對比：

上面的OpenVINO的人臉檢測模型列表中，MobileNetv2 + SSD/FCOS適用於速度優先，不一樣分辨率的場景，ResNet152 + ATSS是OpenVINO模型庫中的精度最高的人臉檢測預訓練模型。下面咱們就經過代碼分別測試FCOS與ATSS兩種檢測模型的檢測效果比較，針對同一張測試人臉圖像，圖示以下：

統一調整閾值爲0.25，推理時間與檢測人臉總數的對比圖以下：

最終分別獲得測試圖像以下：
FCOS

ATSS

學習OpenCV + OpenVINO系統化課程，請看這裏：
OpenVINO計算機視覺模型加速 實戰教程