[논문]복잡한 환경에서 MTCNN 모델 기반 얼굴 검출 알고리즘 개선 연구

부옥매; 김민영; 장종욱

doi:10.6109/jkiice.2020.24.1.50

초록
AI-Helper

현재 심층 신경망 이론 및 응용 연구의 빠른 개발로 얼굴 인식의 효과가 향상되고 있다. 그러나 심층 신경망 계산의 복잡성과 탐지 환경의 복잡성으로 인해 얼굴을 빠르고 정확하게 감지하는 방법이 주요 문제가 된다. 이 논문은 FDDB, LFW 및 FaceScrub 공개 데이터 세트를 훈련 표본을 사용하는 단순한 MTCNN 모델을 기반으로 둔다. MTCNN 모델을 분류하고 소개하면서 학습 훈련 속도를 높이고 성능을 향상하는 방법을 모색합니다. 본 논문에서는 다이내믹 이미지 피라미드 기술을 이용하여 기존 이미지 Pyramid 기술을 대체하여 샘플을 분할하고 MTCNN 모델의 OHEM을 훈련에서 제거하여 훈련 속도를 향상시켰다.

Abstract ▼ AI-Helper

With the rapid development of deep neural network theory and application research, the effect of face detection has been improved. However, due to the complexity of deep neural network calculation and the high complexity of the detection environment, how to detect face quickly and accurately becomes...

With the rapid development of deep neural network theory and application research, the effect of face detection has been improved. However, due to the complexity of deep neural network calculation and the high complexity of the detection environment, how to detect face quickly and accurately becomes the main problem. This paper is based on the relatively simple model of the MTCNN model, using FDDB (Face Detection Dataset and Benchmark Homepage), LFW (Field Label Face) and FaceScrub public datasets as training samples. At the same time of sorting out and introducing MTCNN(Multi-Task Cascaded Convolutional Neural Network) model, it explores how to improve training speed and Increase performance at the same time. In this paper, the dynamic image pyramid technology is used to replace the traditional image pyramid technology to segment samples, and OHEM (the online hard example mine) function in MTCNN model is deleted in training, so as to improve the training speed.

주제어

표/그림 (9)

그림 Fig. 1 Sample containing facial information
그림 Fig. 2 Sample without face information
그림 Fig. 3 Image preprocessing
그림 Fig. 4 Proposal Network
그림 Fig. 5 Refined network
그림 Fig. 6 Output Network
그림 Fig. 7 Flowchart for non-maximum suppression in MTCNN model
그림 Fig. 8 Dropout layer
그림 Fig. 9 Test Results

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

This paper aims at improving the accuracy of face detection by image preprocessing combined with MTCNN model under the unrestricted environment of light, posture and color interference. The training data sets increase the diversity and recognition degree of samples through image preprocessing technology, which lays a foundation for better face Detection of models.

제안 방법

Because refine network receives the data transmitted by p-net, through further operation of refine network, a large number of poor candidate boxes in p-net are filtered out. Finally, the prediction results are further optimized for the selected bounding box regression and NMS(non-maximum suppression). This data is input to Output Network for further processing[6].
In the process of training the model, which can be used to distinguish a face from non-face, so as to get a more accurate model. In addition, this training chooses the experimental tool of the Tensorflow Deep Learning Framework and uses GPU to calculate large matrices and high bit vectors, thus greatly shortening the operation.

대상 데이터

In this paper, FDDB, LFW, and FaceScrub datasets are used for collation[2-4]. The dataset contains 4000 images of the test set and the training set. The training data set contains two types of images.

이론/모형

In the dynamics image pyramid generation process, only the last zoom result is scaled instead of scaling the full image. Thus obtaining the required dimensions of Proposal Network, Refined Network and Output Network in MTCNN (Multi-task convolutional neural network) model.

성능/효과

First, since the face classification belongs to a cross entropy cost function, the distribution similarity between the real distribution and the trained value can be measured. When the gradient descent method is used, the problem of the drop in the learning rate of the mean square loss function can be avoided.

후속연구

Next, I will try to integrate MTCNN mode with Deep Convolutional Neural Network mode to solve the problem that occlusion can’t be detected in face detection. It will be helpful for further research and application of deep convolution neural network technology in face detection in the future.

참고문헌 (9)

H.Gan, C.Q, "Research on Face Recognition Algorithm Based on MT-CNN," Industrial control computer journal, vol. 31, no. 11, pp. 119-122, May. 2018.
UMass Vision.Face Detection Data Set and Benchmark Home [Internet]. Available : http://vis-www.cs.umass.edu/fddb/.
UMass Vision. Labeled Faces in the Wild [Internet]. Available : http://vis-www.cs.umass.edu/lfw/.
vesion interaction group. FaceScrub [Internet]. Available : http://vintage.winklerbros.net/facescrub.html.
J.Y.Wu, and S.Q.Chen, "An Face Detection Algorithm Base on Improved MTCNN," Software Guide journal, no. 09, pp. 23-26, Nov. 2019.
W.Q.Zhao, H.Yan, and X.Q.Shao, "Object detection based on inproved non-maximum suppression algorithm," Journal of Image and Graphics, no. 11, pp. 1676-1685, Nov. 2018.
D.Zhao, Q.C.Tang, and Z.B.Yu, "A Solution to Multi-Objective Optimization Problem with Improved Cross Entropy Optimization," Journal of XI'AN Jiao Tong University, vol. 53, no. 3, pp. 66-74, Mar. 2019.
Z.Y.Tang, F.R.Meng, and Z.X.Wang, "Fast face recognition with regularized least square via sparse representation," Journal of Application Research of Computers, vol. 33, no. 9, pp. 2831-2836, Sep. 2016.
X.J.Fan, S.B.Xuan, and T.Feng, "Behavior Recognition Based on Dropout Convolutional Neural Network," Journal of GuangXi University for nationalities, vol. 23, no. 1, pp. 76-78, Feb. 2017.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

복잡한 환경에서 MTCNN 모델 기반 얼굴 검출 알고리즘 개선 연구
Research and Optimization of Face Detection Algorithm Based on MTCNN Model in Complex Environment 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (9)

표/그림 (9)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

참고문헌 (9)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

복잡한 환경에서 MTCNN 모델 기반 얼굴 검출 알고리즘 개선 연구 Research and Optimization of Face Detection Algorithm Based on MTCNN Model in Complex Environment 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (9) 모든 표/그림 보기

표/그림 (9) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

참고문헌 (9)

이 논문을 인용한 문헌

저자의 다른 논문 :

김민영 (13) 장종욱 (55)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

복잡한 환경에서 MTCNN 모델 기반 얼굴 검출 알고리즘 개선 연구
Research and Optimization of Face Detection Algorithm Based on MTCNN Model in Complex Environment 원문보기

초록
AI-Helper

표/그림 (9)

표/그림 (9)

AI 본문요약
AI-Helper