一種改進(jìn)的輕量人頭檢測(cè)方法

FasterR-CNN網(wǎng)絡(luò)提取特征，并加入可變形卷積，以適應(yīng)不同尺寸、姿態(tài)和形狀的人頭。其次，采用GroupNormalization替代傳統(tǒng)的BatchNormalization，提高模型訓(xùn)練速度和魯棒性。最后，使用FocalLoss進(jìn)關(guān)鍵詞：人頭檢測(cè)，輕量，F(xiàn)asterR-CNN，可變形卷積，GroupNormalization，F(xiàn)ocalLossHaar種。其中，基于深度學(xué)習(xí)的方法由于其檢測(cè)精度高、適應(yīng)能力強(qiáng)等優(yōu)點(diǎn)，成為了目前人頭檢測(cè)的主流方法。但是，由于人頭檢測(cè)需要檢測(cè)到的目括以下三個(gè)方面的改進(jìn)：1）使用FasterR-CNN網(wǎng)絡(luò)提取特征，并加入可變形卷積，以適應(yīng)不同尺寸、姿態(tài)和形狀的人頭；2）采用GroupNormalizationBatchNormalization，提高模型訓(xùn)練速度和魯棒性；3）使用FocalLossFasterR-CNN網(wǎng)絡(luò)作為基本架構(gòu)，包括特征提取、候選框生成和分類回歸三個(gè)部分。其中，特征提取采用ResNet50，其余部分采用FasterR-CNN的標(biāo)準(zhǔn)架構(gòu)。為了適應(yīng)不同尺寸、姿態(tài)和形狀的人頭，變形。具體架構(gòu)如圖1所示。1.基于FasterR-CNNFasterR-CNN網(wǎng)絡(luò)中，候選框是通過(guò)在特征圖上滑動(dòng)固定大小的GroupBatchNormalization在深度學(xué)習(xí)領(lǐng)域中廣泛應(yīng)用，可以加速模型訓(xùn)練，提高模型的魯棒性。然而，BatchNormalization在訓(xùn)練過(guò)程中需要整個(gè)batch的數(shù)據(jù)進(jìn)行平均和標(biāo)準(zhǔn)差的計(jì)算，這對(duì)于小batch大小的數(shù)GroupNormalization。GroupNormalizationbatch進(jìn)行歸一化，而是將特征分成若干個(gè)組進(jìn)行歸一化。這樣可以提高模型的泛化能力，特別是在小batch大Focal加強(qiáng)分類的學(xué)習(xí)能力，我們使用FocalLoss進(jìn)行分類。FocalLoss是一PASCALVOC1所示。表1.實(shí)驗(yàn)結(jié)果|Model|AP|traintime|Inferencetime|Model|FasterR-FasterR-CNN方法，我們的提出的GroupNormalizationbatch大小的數(shù)據(jù)具有較好的魯棒性，可以提高模型的訓(xùn)練速度，而FocalLoss則可以加FasterR-CN