基于深度学习的人脸检测


生动描述了人脸检测问题的由来以及发展脉络, 详细论述了CascadeCNN以及MTCNN算法的改进思路,具体实现过程以及性能分析。

        

课程难度

高级

已经参加学习的人数

51

课程主讲师

陈老师

学习次数

924

人脸检测 (含Anchor)样例
算法过程详解
课程简介
CascadeCNN 算法提出了基于卷积神经网络的Cascade方法,可以说是对经典的VJ方法的深度卷积网络实现 ,文中采用级联的卷积神经网络对人脸图像进行由粗到精的检测。讲者全面生动地讲解了人脸检测问题的由来以及发展脉络,从ImageNet物体分类问题入手进而引出CascadeCNN中的关键问题--人脸二分类。讲者结合论文解读和具体实现带领大家从算法关键步骤原理一步步过渡到工程细节,帮助大家快速掌握核心要点。

MTCNN算法是近些年人脸检测领域一篇关注度比较高的文章。文中采用级联的卷积神经网络进行人脸和关键点的联合检测,鉴于MTCNN的速度和精度都很好,目前在工业界和学术研究中应用广泛。讲者从历史方法,MTCNN做了哪些关键改进,具体的实现过程以及performance分析等方面进行了详细的解读,帮助学习者快速掌握核心要点。
课程大纲

第 1 集人脸检测课程试听

  • 1.1 CascadeCNN试听
  • 1.2 MTCNN试听

第 2 集CascadeCNN论文解读

  • 2.1 论文的重要性
  • 2.2 目标检测和物体分类的区别
  • 2.3 目标检测和人脸检测的区别
  • 2.4 采用CascadeCNN的三大原因
  • 2.5 为什么会产生有偏移量的框
  • 2.6 如何实现CNN-Calibration

第 3 集MTCNN论文解读

  • 3.1 论文目标介绍
  • 3.2 以往方法介绍
  • 3.3 改进方法之更快
  • 3.4 改进方法之更好
  • 3.5 改进方法之联合关键点检测
  • 3.6 具体实现过程
  • 3.7 结果分析
Q & A

授课方式是?

为了保障课程质量,提高学习效率, 课程采用录播形式。视频精心录制与剪辑制作,时间比直播更灵活,方便随时观看学习。

学习本课程,有什么前置要求么?

一定的数学基础,至少会一门编程语言。

课程周期是多久?

为了让大家在一定时间内集中精力学习,本课程有效期有6个月。

遇到问题可以咨询么?

本课程为专题课程,不提供在线答疑服务。

如何开取发票?

扫描下方二维码,联系小编即可。

如何延长有效期?

课课程到期后,电脑端登录官网可以续费,续费价格是官网原价的5%,有效期半年。


更多问题、课程咨询、资料获取,扫码找小编






 课程咨询