实用的边缘设备无锚人脸检测与对齐算法Centerface, 模型大小7.3M。 CenterFace-small 性能达到centerface的同时模型大小仅为2.3M。
- OpenCV 4.1.0
- Numpy
- Python3.6+
- WIDER FACE val集结果:
| Model Version | Easy Set | Medium Set | Hard Set |
|---|---|---|---|
| FaceBoxes | 0.840 | 0.766 | 0.395 |
| FaceBoxes3.2× | 0.798 | 0.802 | 0.715 |
| RetinaFace-mnet | 0.887 | 0.870 | 0.792 |
| LFFD-v1 | 0.910 | 0.881 | 0.780 |
| LFFD-v2 | 0.837 | 0.835 | 0.729 |
| CenterFace | 0.935 | 0.924 | 0.875 |
| CenterFace-small | 0.931 | 0.924 | 0.870 |
- WIDER FACE test集结果:
| Model Version | Easy Set | Medium Set | Hard Set |
|---|---|---|---|
| FaceBoxes | 0.839 | 0.763 | 0.396 |
| FaceBoxes3.2× | 0.791 | 0.794 | 0.715 |
| LFFD-v1 | 0.910 | 0.881 | 0.780 |
| LFFD-v2 | 0.837 | 0.835 | 0.729 |
| CenterFace | 0.932 | 0.921 | 0.873 |
- 模型的训练数据仅包含：WIDER FACE train set
- RetinaFace-mnet (RetinaFace-MobileNet-0.25)，来自于非常好的工作insightface。
- LFFD-v1 也是很好的工作LFFD。
- CenterFace/CenterFace-small的测试方法是MULTI-SCALE，因为训练图像和测试图像尺度的不一致性，多尺度测试才能反应centerface的真实性能。 不过，对于SIO(原图单次推理)，CenterFace在val集上也可以达到：92.2% (Easy), 91.1% (Medium) and 78.2%， 而RetinaFace-mnet在val集上是：89.6% (Easy), 87.1% (Medium) and 68.1%
- 关于Evaluation的一些思考:人脸检测小江湖。
- FDDB的结果:
| Model Version | Disc ROC curves score |
|---|---|
| RetinaFace-mnet | 96.0@1000 |
| LFFD-v1 | 97.3@1000 |
| LFFD-v2 | 97.2@1000 |
| CenterFace | 98.0@1000 |
| CenterFace-small | 98.1@1000 |
- NVIDIA RTX 2080TI推理耗时:
| Resolution-> | 640×480 | 1280×720(704) | 1920×1080(1056) |
|---|---|---|---|
| RetinaFace-mnet | 5.40ms | 6.31ms | 10.26ms |
| LFFD-v1 | 7.24ms | 14.58ms | 28.36ms |
| CenterFace | 5.5ms | 6.4ms | 8.7ms |
| CenterFace-small | 4.4ms | 5.7ms | 7.3ms |
欢迎加入 QQ Group(912759877) 交流讨论, 包括但不限：人脸检测、稠密对齐、活体、3D重建等。