.png){kind=icon}
返回
Multi-scale count-task guided feature enhancement face detection
.png){kind=icon}
PRE
AI
DOI：10.1007/s00530-025-01901-7.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
尽管人脸检测在一般环境中的技术已取得显著进展，但在具有挑战性的场景中性能仍显不足，特别是在处理具有小尺寸、低分辨率和姿态多变等特征的人脸检测复杂场景时。为解决此问题，我们提出了人脸密度增强模块（FDAM），该模块通过密度估计任务增强特征表示，并有效缓解背景干扰。FDAM由两个核心组件构成：层次化密度估计（HDE）和密度特征融合（DFF）。HDE引入多尺度密度约束，以捕捉不同层级的精细信息，而DFF则将这些密度特征无缝整合到检测流程中。大量实验结果表明，该方法在WIDER FACE和FDDB数据集上均实现了显著的性能提升。值得注意的是，FDAM无需额外数据或人工标注即可实现这些改进，并且能够便捷地集成到现有检测框架中。本文的主要贡献如下：首先，我们提出了一种基于密度估计的人脸检测增强创新方法；其次，我们设计了HDE和DFF模块，以实现有效的多尺度密度估计与特征融合，并验证了将密度估计任务整合到多任务学习框架中的有效性；最后，我们确认了该方法在多个挑战性数据集上的优越性能。
Keyword:
Face detection
Crowd counting
Density estimation
Multi-task learning
期刊
IF:
3.1
论文数:
2.8K
被引数:
2.7K
机构
引用论文
A Lightweight Face Detector via Bi-Stream Convolutional Neural Network and Vision Transformer基于双流卷积神经网络和视觉Transformer的轻量级人脸检测器.png)
Information
OAAI
InformationIF0
OAAI分享收藏分享收藏Description of interest regions with local binary patterns用局部二值模式描述感兴趣区域PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression距离-IoU损失: 边界盒回归的更快更好的学习
OAAI
OAAI分享收藏Face Detection with YOLOv7: A Comparative Study of YOLO-Based Face Detection Models基于YOLOv7的人脸检测：基于YOLO的人脸检测模型的比较研究
PREAI
分享收藏
查看更多内容