論文閱讀報告

CVPR論文閱讀報告

論文名稱：檢測遮蔽的臉在荒野用本地直線的嵌入卷積神經(jīng)網(wǎng)絡方法

技術概括：存在的臉檢測的模型被粗略地分成三種，分別是基于提高模型，可變形的部

分模型（DPM）和卷積網(wǎng)絡模型(CNN)。

第一種是基于提高的分類器，在這個分類器里面，ViolaJones臉檢測器是最有名的模型

之一，它用簡單的Haar特征適應了增加的層疊。受這種模型的激勵，李等人提出了一個多

視角的臉檢測器，它能夠適應表面特征在訓練和測試的過程中。一個臉檢測器被用于有效地

檢測臉用一種優(yōu)化地決策樹地組合。通過比較像素集聚度在內(nèi)部地節(jié)點里面臉可以被檢測以

一種極其高地速度。

第二種是基于可變形地模型分類。除了基于提高地方法，一些方法目的在于清楚地建模

結(jié)構(gòu)或者臉地變形用DPM。例如朱和Ramanan提出了一個樹結(jié)構(gòu)的模型為了臉的檢測，可

以同時評估臉的姿勢和定位臉部的標志。典型地，基于DPM的臉檢測器完成了印象深刻的

正確率但是可能受高計算消耗的困擾由于DPM的使用。

第三種是基于卷積神經(jīng)網(wǎng)絡的分類，與基于提高和基于DPM的方法不同，基于CNN的

臉檢測器直接學習臉的代表從數(shù)據(jù)里面和適應深度學習范例為了檢測一個臉的存在在一個

瀏覽的窗口里。例如李等人提出了層疊式CNN，它是一個提高的基于運行的臉檢測器。一

個窗口的臉被評估用一個有意識的屬性CNN和遮擋被看作是產(chǎn)生面部推測很好的。結(jié)果，

這種方法展現(xiàn)了強壯的能力在檢測臉用嚴重的遮擋和各種各樣的姿勢。

總之，很多數(shù)據(jù)庫和模型存在在文獻里面，但是他們中的很少被特別用于發(fā)展為了遮擋

臉的檢測。由于這樣的結(jié)果，我們提出了數(shù)據(jù)庫MAFA為了訓練和和標記遮擋臉的檢測器，

然而一個新的LLE-CNNs模型被推出也作為一個數(shù)據(jù)線。被推薦的數(shù)據(jù)庫和模型將被描述在

接下來的兩個部分。

研究方向：與正常臉檢測的傳統(tǒng)任務相比，現(xiàn)在存在的模型在檢測掩飾臉上，經(jīng)常有一

個很大的表現(xiàn)性能下落，可能主要由兩個原因引起，第一個原因，缺少一個由大量遮蔽的臉

組成的數(shù)據(jù)庫，它為了搜索關鍵特征通過不同的面具臉分享和識別用最新的技術表現(xiàn)的模型。

第二個原因，面部特征來自被遮蔽的部分不再是有效的在檢測的過程中，然而遮擋物的存在

不可避免地吸收了一定確定種類的噪音。

為了面具臉的檢測，這篇論文呈現(xiàn)了一個數(shù)據(jù)庫，叫做MAFA，數(shù)據(jù)庫由30811個網(wǎng)絡

圖片組成，在網(wǎng)絡圖片里面，有35806張遮蔽的人類臉被手動標記。在注釋的過程中，我們

保證每張圖片至少包含一張臉被不同類別的遮擋物覆蓋，當然每個遮擋臉的6個主要特征臉

的定位，眼睛和遮擋物，面部方向，遮擋程度和遮擋物類型，都是被手動標記和交叉檢測通

過九個被試者。數(shù)據(jù)庫不久會在網(wǎng)上公開，通過這樣我們相信能有利于新的臉部檢測的發(fā)展

在未來。

為了檢測遮擋臉的主要特征在MAFA里面，我們發(fā)現(xiàn)大多數(shù)面部的特征都能被丟失在嚴

重遮蔽的臉里面。然而高度多樣化的遮擋物可以吸收不同種類的干預。通過這種事實的激發(fā)，

我們提出了檢測遮蔽的臉在荒野用本地直線的嵌入卷積神經(jīng)網(wǎng)絡方法（LLE-CNNs）為了遮蔽

臉的檢測，通過恢復丟失的臉線索和消除沒有臉部的線索在特征的子空間。提出的方法包括

一個提議的模塊，一個嵌入的模塊，一個證實的模塊。提議的模塊首先提取一套面部動作和

特點，每個動作用4096個像素描述器，和一個提前訓練的VGG面部模型。考慮到一個遮擋

臉的描述器不能完成或者有干擾，我們把它嵌入到一個特征子空間，這個空間由兩個字典組

成，字典包含來自有代表的正常臉和無臉的描述器。發(fā)現(xiàn)那樣那種字典被學習來自一個大的

正常臉，遮蔽臉和無臉的數(shù)據(jù)池來自以前的數(shù)據(jù)和MAFA的訓練集。隨著一個接近的本地的

直線的插入，一個代表的區(qū)域能夠被相似分數(shù)特征化對于代表的正常臉和無臉。最后，那樣

基于相似的描述器被嵌入進驗證模塊，這個模塊由一個全連接層的深度神經(jīng)網(wǎng)絡組成以便于

區(qū)別真正的臉。實驗的結(jié)果在提出的MAFA數(shù)據(jù)庫里面展示提出的LLE-CNNs方法有意義地

比最新地技術高6個百分點在檢測遮擋臉上。

應用前景：這篇論文的主要貢獻由三個，第一，我們呈現(xiàn)了一個面具臉的數(shù)據(jù)庫能夠被

用于另外的訓練資源為了發(fā)展新的臉檢測器。第二，我們提出了LLE-CNNs方法為了遮擋臉

的檢測，正確率超過了6個最新臉檢測技術在檢測面具臉上。第三，我們進行了理解性的分

析在關鍵挑戰(zhàn)上在面具臉檢測里，為了在未來發(fā)展新的臉檢測非常有幫助。