遮挡人脸检测方法研究进展

近年来,随着人脸检测逐步面向现实场景应用,遮挡条件下的人脸检测成为计算机视觉领域研究的热门课题之一。遮挡所造成的特征损坏和噪声混叠,是人脸检测中亟待面对和解决的难点问题。综合分析了有遮挡人脸检测方法的研究进展,依据特征构造方法的不同将遮挡人脸检测分为基于手工设计特征的经典方法和基于深度学习的现代方法两大系列;对比分析了不同算法的基本原理,模型性能和存在的问题;探讨了未来可能的研究方向。

基于联合正则化策略的人脸表情识别方法

针对目前人脸表情识别大多采用基于深度学习的端到端特征提取及分类方法的现象,提出了一种新的深度模型优化方法。基于ResNet18残差网络架构和正则化思想,提出了联合正则化策略,即将过滤器响应正则化和批量正则化、实例正则化和组正则化、组正则化和批量正则化分别嵌入网络之中,平衡和改善特征数据分布,弥补单一正则化的缺点,提升模型性能。在2个公开数据集FER2013和CK+进行了验证和测试,最高准确率分别达到了73.558%和94.9%,实验结果表明,联合正则化策略提高了基础网络的性能,其表现优于诸多当前较新的人脸表情识别方法。

基于注意力机制与特征相关性的人脸表情识别

针对自然条件下人脸表情识别面临遮挡、光照、姿势变化等挑战,存在识别准确率低的问题,提出了一种新的深度学习网络模型用于人脸表情识别。以ResNet为基础网络,融合了瓶颈注意力机制及全局二阶池化层,其中瓶颈注意力机制专注于表情重要特征的提取,全局二阶池化层度量表情特征之间的相关性,在此基础上通过联合正则化策略,平衡和改善特征数据分布情况,提高表情识别准确率。所提方法在2个公开数据集FER2013和CK+进行了测试及验证,最高准确率分别达到了74.227%和95.8%,性能优于诸多现存的主流方法,表明所提模型具有较好的准确性和鲁棒性。

Involution改进的卷积神经网络人群计数方法

针对现有人群计数方法大多采用卷积操作提取特征,空间多样性特征信息提取和传递能力不足的问题,提出一种Involution改进的单列深层人群计数网络。该网络以VGG-16为基本框架,引入Involution算子替代卷积操作,并辅以残差链接提高对空间特征信息的感知和传递能力;采用膨胀卷积保持分辨率的同时扩大感受野,丰富深度语义特征;利用联合损失函数监督网络训练,提高计数准确性和全局信息相关性。所提方法在公开数据集ShangHaiTech、UCF-QNRF、UCF_CC_50上的性能较基线模型提升显著,并超越了诸多当前的先进算法。结果表明:所提人群计数方法具有较高的准确性和更好的鲁棒性。