cv_ddsar_face-detection_iclr23-damofd

DamoFD-0.5G 模型介绍

轻量级人脸检测模型DamoFD-0.5G。

模型描述

Motivation: 目前的Nas方法主要由两个模块组成，网络生成器和精度预测器。其中网络生成器用于生成候选的backbone结构，精度预测器用来对采样的backbone结构预测精度。由于检测和分类的任务目标不一致，前者更重视backbone stage-level (c2-c5)的表征，而后者更重视high-level(c5)的表征，这就导致了用于分类任务上的精度预测器擅长预测high-level的表征能力而无法预测stage-level的表征能力。因此，在人脸检测任务上，我们需要一个可以预测stage-level表征能力的精度预测器来更好的搜索face detection-friendly backbone。DamoFD: 针对如何设计可以预测stage-level表征能力的精度预测器，我们从刻画network expressivity的角度出发，创新性地提出了SAR-score来无偏的刻画stage-wise network expressivity，同时基于数据集gt的先验分布，来确定不同stage的重要性，进一步提出了DDSAR-score 来刻画detection backbone的精度。论文已被ICLR2023接收，更多代码细节可以前往EasyFace DamoFD。

模型使用方式和使用范围

本模型可以检测输入图片中人脸的位置。

代码范例

推理

训练

目标场景

人脸相关的基础能力，可应用于人像美颜/互动娱乐/人脸比对等场景, 尤其适应于端上人脸应用场景

模型局限性及可能偏差

模型size较小，模型鲁棒性可能有所欠缺。

当前版本在python 3.7环境测试通过，其他环境下可用性待测试

预处理

测试时主要的预处理如下：

Normalize：图像归一化，减均值除以标准差

Pad：图像高宽补零至32的倍数

模型训练流程

本模型使用8卡v100，使用SGD优化器，lr=0.02，在440/544epoch时降低10倍学习率，并在640epoch时产出模型，详见mmcv tinymog.py

测试集

WIDERFACE： 测试集已上传至ModelScope的DatasetHub，详情请见WIDER FACE。

数据评估及结果

模型在WiderFace的验证集上客观指标如下：

Method Easy Medium Hard

• ----------- ------------ ------------ ------------

Scrfd-0.5G 90.57 88.12 68.51

DamoFD-0.5G 90.32 88.36 71.03

人脸相关模型

以下是ModelScope上人脸相关模型:

人脸检测

序号 模型名称

• ----------- ------------

1 RetinaFace人脸检测模型

2 MogFace人脸检测模型-large

3 TinyMog人脸检测器-tiny

4 ULFD人脸检测模型-tiny

5 Mtcnn人脸检测关键点模型

6 ULFD人脸检测模型-tiny

人脸识别

序号 模型名称

• ----------- ------------

1 口罩人脸识别模型FaceMask

2 口罩人脸识别模型FRFM-large

3 IR人脸识别模型FRIR

4 ArcFace人脸识别模型

5 IR人脸识别模型FRIR

人脸活体识别

序号 模型名称

• ----------- ------------

1 人脸活体检测模型-IR

2 人脸活体检测模型-RGB

3 静默人脸活体检测模型-炫彩

人脸关键点

序号 模型名称

• ----------- ------------

1 FLCM人脸关键点置信度模型

人脸属性 & 表?

序号 模型名称

• ----------- ------------

1 人脸表情识别模型FER

2 人脸属性识别模型FairFace

来源说明

本模型及代码来自达摩院自研技术

引用

如果你觉得这个该模型对有所帮助，请考虑引用下面的相关的论文：