

首页  思维导图  详情



MTCNN

2020-03-03 13:41:37   0  举报





AI智能生成

MTCNN神经网络模型梳理

MTCNN

神经网络

深度学习

软件开发

模版推荐

作者其他创作

大纲/内容

原理

Proposal Network

结构

采用全卷积FCN模型，该网络模型由一层卷积(3*3)一层池化(2*2)再加两层卷积(3*3)构成

Proposal Network 结构图

作用

生成候选窗

通过NMS剔除重叠的候选窗，以减小后续网络工作压力

Refine Network

结构

由两组卷积(3*3)池化(3*3)和一层卷积(2*2)以及一层全连接层构成

Refine Network 结构图

作用

接收Proposal Network的输出，并判断PNet的输出区域内是否有检测目标，通过NMS过滤掉部分重叠的框

Output Network

结构

两组卷积(3*3)池化(3*3)和一组卷积(3*3)池化(2*2)以及一层卷积(2*2)和一层全连接层构成

Output Network 结构图

作用

接收Refine Network输出的区域，判断输出区域是否有目标，通过NMS过滤掉重叠的框之后进行输出

采用全卷积模型后，网络在处理图片数据时，<br>可以忽略图片尺寸，只关注通道数，<br>以此来提高网络的通用性

卷积层用来提取图片特征<br>全链接层对各通道数据特征进行融合

Trainer

样本

标签

文件名

置信度

部分样本：2

正样本：1

负样本：0

偏移量

首先确定截取区域和原始标签，然后使标签减去截取区域左上角在原图中的坐标，得到人脸在截取图片中的偏移量，再使偏移量比上截取区域尺寸，进行归一化处理

数据

正样本

计算截取区域与标签给定区域的IOU值，结果大于0.9为正样本

部分样本

同样计算两个区域的IOU值，大于0.3小于0.6为部分样本

负样本

两区域的IOU值小于0.2为负样本

train

激活函数

中间层：PReLU

偏移量：y=x

置信度：Cross Entropy

损失函数

偏移量损失计算

损失函数采用：MSE

在计算偏移量损失时，需通过索引掩码将网络输出结果中的负样本剔除，尽计算正样本和部分样本的损失

置信度损失计算

损失函数采用：Cross Entropy

adam优化器

Detect

网络顺序

首先p网络对接收到的数据进行预处理，根据图片尺寸输出相应的特征向量矩阵，然后筛选出置信度高的向量组做NMS处理，再将输出结果再交由r网络进行处理，r网络做过NMS处理后，再交由O网络进行筛选，O网络筛选完成后，将结果进行输出

图像金字塔

对原始图片进行等比例缩放，直到达到给定的终止条件为止

坐标反算

左上坐标=索引换轴*总步长/缩放比例

右下坐标=(索引换轴*总步长+总卷积核尺寸)/缩放比例

  NMS 

先将各特征向量根据置信度进行倒序排列，然后计算两两之间的iou，将iou结果较大的向量剔除

   IOU  

p和r网络使用：交集比并集

o网络使用：交集比最小面积<br>用来筛除一个集合真包含另一个集合的情况

在制作标签时建议单独写入记事本中，此举可加快数据集加载速度

效果展示

 Collect

Get Started

图1mtcnn和facenet





0 条评论

下一页