CenterFace: Face as Point

介绍

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。

运行环境

• OpenCV 4.1.0
• Numpy
• Python3.6+

准确性

• 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

• RetinaFace-mnet 是RetinaFace-MobileNet-0.25的简写，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

推理速度

• 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

Results

Discussion

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。