#مقاله #سورس_کد
تشخیص چهره با دقت خیره کننده ۲!
RetinaFace
پیاده سازی نفر اول چالش Wider منتشر شد.
مهمترین ویژگی این مدل این است که همچون MTCNN پنج landmark را بر میگرداند که همان طور که در این ارائه مرتبط با چهره گفتم میتواند در افزایش دقت تطبیق و بازشناسی چهره میتواند بسیار موثر باشد.
پیاده سازی:
کمتر از ۲ هفته است که سورس کد مقاله با فریم ورک MXNet منتشر شده است.
دقت:
در حال حاضر این مدل بالاترین دقت را در چالش wider دارد و از تمام مقالات و مدلهای قبلی از جمله MTCNN و DSFD بالاتر است.
سرعت:
RetinaFaceResNet-152
is designed for highly accurate face localisation,
running at 13 FPS for VGA images (640 × 480).
By contrast, RetinaFace-MobileNet-0.25 is designed for
highly efficient face localisation which demonstrates considerable
real-time speed of 40 FPS at GPU for 4K images
(4096 × 2160), 20 FPS at multi-thread CPU for HD images
(1920 × 1080), and 60 FPS at single-thread CPU for VGA
images (640 × 480). Even more impressively, 16 FPS at
ARM for VGA images (640 × 480) allows for a fast system
on mobile devices.
مقاله:
https://arxiv.org/pdf/1905.00641.pdf
سورس کد پیاده سازی:
https://github.com/deepinsight/insightface/tree/master/RetinaFace
__
پست های مرتبط:
تشخیص چهره با دقت خیره کننده!
DSFD: Dual Shot Face Detector!
https://t.me/cvision/1167
MTCNN
https://t.me/cvision/249
Finding Tiny Faces (CVPR 2017)
https://t.me/cvision/569
اسلایدها، نوت بوک ها و ویدیوهای فارسی بازشناسی و تطبیق چهره با یادگیری عمیق
https://t.me/cvision/1070
#face #face_detection #RetinaFace
تشخیص چهره با دقت خیره کننده ۲!
RetinaFace
پیاده سازی نفر اول چالش Wider منتشر شد.
مهمترین ویژگی این مدل این است که همچون MTCNN پنج landmark را بر میگرداند که همان طور که در این ارائه مرتبط با چهره گفتم میتواند در افزایش دقت تطبیق و بازشناسی چهره میتواند بسیار موثر باشد.
پیاده سازی:
کمتر از ۲ هفته است که سورس کد مقاله با فریم ورک MXNet منتشر شده است.
دقت:
در حال حاضر این مدل بالاترین دقت را در چالش wider دارد و از تمام مقالات و مدلهای قبلی از جمله MTCNN و DSFD بالاتر است.
سرعت:
RetinaFaceResNet-152
is designed for highly accurate face localisation,
running at 13 FPS for VGA images (640 × 480).
By contrast, RetinaFace-MobileNet-0.25 is designed for
highly efficient face localisation which demonstrates considerable
real-time speed of 40 FPS at GPU for 4K images
(4096 × 2160), 20 FPS at multi-thread CPU for HD images
(1920 × 1080), and 60 FPS at single-thread CPU for VGA
images (640 × 480). Even more impressively, 16 FPS at
ARM for VGA images (640 × 480) allows for a fast system
on mobile devices.
مقاله:
https://arxiv.org/pdf/1905.00641.pdf
سورس کد پیاده سازی:
https://github.com/deepinsight/insightface/tree/master/RetinaFace
__
پست های مرتبط:
تشخیص چهره با دقت خیره کننده!
DSFD: Dual Shot Face Detector!
https://t.me/cvision/1167
MTCNN
https://t.me/cvision/249
Finding Tiny Faces (CVPR 2017)
https://t.me/cvision/569
اسلایدها، نوت بوک ها و ویدیوهای فارسی بازشناسی و تطبیق چهره با یادگیری عمیق
https://t.me/cvision/1070
#face #face_detection #RetinaFace
Telegram
Tensorflow
#آموزش #سورس_کد
اسلایدها، نوت بوک ها و ویدیوهای فارسی بازشناسی و تطبیق چهره با یادگیری عمیق
https://github.com/Alireza-Akhavan/deep-face-recognition
One-shot & low-shot learning
Siamese network
What is metric learning & Face embedding?
…
اسلایدها، نوت بوک ها و ویدیوهای فارسی بازشناسی و تطبیق چهره با یادگیری عمیق
https://github.com/Alireza-Akhavan/deep-face-recognition
One-shot & low-shot learning
Siamese network
What is metric learning & Face embedding?
…