论文部分内容阅读
近几年来,深度卷积神经网络(CNN)显著提高了图像分类和目标检测的准确性。与图像分类相比,目标检测是一项更具挑战性的任务,因为目标检测需要物体的精确定位而变得复杂,所以需要更复杂的方法来解决,并且对于目标处于复杂情况下的检测比较困难。而依靠区域建议(region proposal)算法来推测目标的位置的目标检测网络发展将目标检测推向了一个新的高度。本文研究的方向是将目标检测和对抗网络结合的方法应用到人脸在遮挡情况下的检测。本文的主要研究内容以及成果主要包括:首先,根据Fast R-CNN目标检测的方法,使用选择性搜索(selective search)的方法对人脸数据集UMDfaces提取人脸区域建议,并将Fast R-CNN运用到人脸检测,更进一步将人脸数据集结合Faster R-CNN目标检测方法实现人脸检测。其次,在基于Fast R-CNN的生成对抗网络实验中,把Fast R-CNN和生成对抗网络结合,实现人脸在遮挡情况下的检测,受Faster R-CNN独立训练的启发,将RPN(Region Proposal Network)代替选择性搜索方法提取人脸图像区域建议,并与基于Fast R-CNN的生成对抗网络结合到一起进行训练。在实验过程中,最终得出RPN网络结合基于Fast R-CNN的生成对抗网络在人脸遮挡检测的精确度为88.71%。最后,将Faster R-CNN和对抗遮挡网络结合,实现了端到端的训练对抗人脸遮挡网络,最终得到的人脸遮挡检测精确度为89.34%,此实验结果均优于前两种方法。通过实验结果表明对抗遮挡网络与Faster R-CNN结合对人脸在遮挡情况下的检测具有一定的可行性。