顔検出のための畳み込みニューラルネットワークカスケード

実世界の顔検出においては、ポーズ、表情、照明などによる大きな視覚的変動が、顔と背景を正確に区別するための高度な識別モデルを必要とします。その結果、この問題に対する効果的なモデルは計算コストが高くなる傾向があります。この2つの対立する課題に対処するために、高い性能を維持しつつ、非常に強力な識別能力を持つ畳み込みニューラルネットワーク（CNN）に基づくカスケードアーキテクチャを提案します。提案されたCNNカスケードは、複数の解像度で動作し、迅速な低解像度段階で背景領域をすばやく却下し、最後の高解像度段階で少数の難しい候補を慎重に評価します。ローカライズ効果を改善し、後の段階で候補の数を減らすために、各検出段階の後にCNNベースのキャリブレーション段階を導入します。各キャリブレーション段階の出力は、次の段階への入力として検出ウィンドウの位置を調整するために使用されます。提案した方法は、VGA解像度の画像で単一CPUコアで14 FPS、GPUを使用して100 FPSで動作し、2つの公開顔検出ベンチマークで最先端の検出性能を達成します。