【摘要】：Faster R－CNN包括两个模块：Region Proposal Network和Fast－RCNN。图4－21Fast－RCNN分类流程示意图主要着手解决的问题有以下几点：1）样本均衡问题人脸检测基本都会和二分类器有关，即分类一个窗口“是”或者“不是”人脸。先训练一个普通的Faster－R－CNN，然后把整个训练集跑一遍，选中分错的。图4－22在FDDB数据集上几种人脸检测方法的比较图4－23Fast－R－CNN密集人脸检测效果图
Faster R－CNN包括两个模块：Region Proposal Network（RPN）和Fast－RCNN。RPN是一个能产生候选窗口的卷积网络，Fast－RCNN可用来对感兴趣区域做分类和位置进一步调优，如图4－21所示。采用难样本挖掘（Hard Negative Mining）技术和迭代更新技术来对具有难以分类的负样本做进一步优化处理，如图4－22所示。密集人脸测试效果如图4－23所示。
图4－21 Fast－RCNN分类流程示意图
主要着手解决的问题有以下几点：
1）样本均衡问题
人脸检测基本都会和二分类器有关，即分类一个窗口“是”或者“不是”人脸。通常，正样本（人脸）通常都要比负样本（非人脸）多很多，这种样本分布的严重不平衡会影响模型收敛。通常采取的处理策略是：在一个批处理中，通过某种采样手段（如随机、难挖掘）将正负样本的比例固定（如1∶3）。(www.xing528.com)
2）负样本挖掘问题
负样本挖掘的本质在于大部分的窗口都很容易判断是否为人脸，这也是为什么在人脸检测领域“级联”这一思想大行其道的原因。先训练一个普通的Faster－R－CNN，然后把整个训练集跑一遍，选中分错的。下次调整的时候，将选中的Hard－Negative加入训练，同时保证正负例1∶3。
图4－22 在FDDB数据集上几种人脸检测方法的比较
图4－23 Fast－R－CNN密集人脸检测效果图
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
