臉部偵測--Grid Loss: Detecting Occluded Faces_臉部偵測識別

Grid Loss: Detecting Occluded Faces
ECCV2016

遮擋問題還是要通過地區分塊來解決

針對有遮擋的臉部偵測，如果從訓練資料的角度來解決這個問題難度比較大。我們從定義新的損失函數的角度來解決這個問題。通過定義一個 novel loss layer 來分塊考慮人臉計數誤差損失，本文的另一個亮點是 real time

我們的整個網路結構示意圖

3 Grid Loss for CNNs
本文的檢測方式是類似於文獻【33】的滑動視窗方式

3.1 Neural Network Architecture
我們的CNN結構由兩個 5×5 卷積層組成，每個卷積層後面是 Rectified Linear Unit (ReLU) 啟用相應，在兩個卷積層之間加入了一個 Local Contrast Normalization
(LCN) layer 來做相應歸一化，在最後一個卷積層後面使用了一個小的 dropout

因為速度的因素，這裡我們採用了 Aggregate Channel Features (ACF) 特徵，對該特徵降採樣4倍輸入卷積層，在檢測的時候，我們是多尺度檢測的，使用非極大值抑制

3.2 Grid Loss Layer
這裡主要講人臉地區特徵圖進行分塊，然後定義 part detectors 的損失函數，組合不同的part detectors 損失函數及整體檢測損失函數得到總體損失函數。
error signals of less discriminative parts are strengthened during training, encouraging the CNN to focus on making weak parts stronger rather than strengthening already discriminative parts
the influence of several strong distinguished parts decreases
簡單的來說當有特徵的地區被遮擋了，這時候我們需要依靠特徵不明顯的地區。

4 Evaluation