We present a neural network-based u

We present a neural network-based upright frontal face detection system. A retinally connected neural network examines small windows of an image and decides whether each window contains a face. The system arbitrates between multiple networks to improve performance over a single network. We present a straightforward procedure for aligning positive face examples for training. To collect negative examples, we use a bootstrap algorithm, which adds false detections into the training set as training progresses. This eliminates the difficult task of manually selecting nonface training examples, which must be chosen to span the entire space of nonface images. Simple heuristics, such as using the fact that faces rarely overlap in images, can further improve the accuracy. Comparisons with several other state-of-the-art face detection systems are presented, showing that our system has comparable performance in terms of detection and false-positive rates

ผลลัพธ์ (ไทย) 1:

เรานำเสนอระบบการตรวจสอบประสาทเครือข่ายขึ้นตรงหน้าผากใบหน้า เครือข่ายประสาทเชื่อมต่อ retinally ตรวจสอบหน้าต่างขนาดเล็กของภาพ และตัดสินใจว่า แต่ละหน้าต่างประกอบด้วยใบหน้า ระบบ arbitrates ระหว่างหลายเครือข่ายเพื่อปรับปรุงประสิทธิภาพเครือข่ายเดียว เรานำเสนอขั้นตอนตรงไปตรงมาสำหรับการจัดเรียงตัวอย่างหน้าบวกสำหรับฝึกอบรม การรวบรวมตัวอย่างลบ เราใช้การเริ่มต้นระบบอัลกอริทึม ซึ่งเพิ่ม detections เท็จเป็นการฝึกที่กำหนดเป็นการฝึกอบรมดำเนินไป ช่วยลดงานยากด้วยตนเองเลือก nonface ฝึกอบรมตัวอย่าง ซึ่งต้องเลือกให้ครอบคลุมพื้นที่ทั้งหมด nonface รูป อย่างลองผิดลองถูก ใช้ความจริงที่ว่า หน้าไม่ค่อยทับซ้อนในภาพ สามารถเพิ่มเติมปรับปรุงความถูกต้อง เปรียบเทียบกับหลายสมัยของหน้าตรวจระบบอื่น ๆ จะแสดง แสดงว่า ระบบของเรามีประสิทธิภาพเทียบเคียงตรวจและราคาบวกเท็จ

ผลลัพธ์ (ไทย) 2:

เรานำเสนอเครือข่ายประสาทตามหน้าผากตรงระบบตรวจจับใบหน้า การเชื่อมต่อเครือข่ายประสาท retinally ตรวจสอบหน้าต่างบานเล็ก ๆ ของภาพและตัดสินใจว่าหน้าต่างแต่ละที่มีใบหน้า ระบบ arbitrates ระหว่างเครือข่ายหลาย ๆ เพื่อปรับปรุงประสิทธิภาพผ่านเครือข่ายเดียว เรานำเสนอขั้นตอนตรงไปตรงมาสำหรับการปรับตัวอย่างใบหน้าบวกสำหรับการฝึกอบรม ในการเก็บรวบรวมตัวอย่างเชิงลบเราใช้อัลกอริทึมบูตซึ่งจะเพิ่มการตรวจจับเท็จเป็นชุดการฝึกอบรมการฝึกอบรมดำเนิน นี้จะช่วยลดความยากลำบากในการเลือกด้วยตนเองตัวอย่างการฝึกอบรม nonface ซึ่งจะต้องเลือกที่จะครอบคลุมพื้นที่ทั้งหมดของภาพ nonface วิเคราะห์พฤติกรรมง่ายเช่นการใช้ความจริงที่ว่าใบหน้าไม่ค่อยทับซ้อนในภาพยังสามารถปรับปรุงความถูกต้อง เปรียบเทียบกับใบหน้าของรัฐของศิลปะอื่น ๆ อีกหลายระบบตรวจจับนั้นจะแสดงให้เห็นว่าระบบของเรามีประสิทธิภาพที่เปรียบในแง่ของการตรวจสอบและอัตราการเท็จบวก

ผลลัพธ์ (ไทย) 3:

เราได้เสนอทางประสาทตรงหน้าผากตรวจจับใบหน้า ระบบ เป็น retinally เชื่อมต่อโครงข่ายประสาทเทียมตรวจสอบหน้าต่างขนาดเล็กของรูปภาพ และตัดสินใจว่า แต่ละคนต่างมีสีหน้า ระบบ arbitrates ระหว่างเครือข่ายหลาย ๆเพื่อปรับปรุงประสิทธิภาพเครือข่ายเดียว เรานำเสนอขั้นตอนตรงไปตรงมาสอดคล้องตัวอย่างหน้าบวกสำหรับการฝึกอบรมเพื่อเก็บรวบรวมตัวอย่างลบ เราใช้วิธีบูตสแตรป ซึ่งเพิ่มการตรวจจับเท็จในการตั้งค่าที่การฝึกอบรม นี้จะช่วยลดความยากของตนเอง การเลือกตัวอย่างการฝึกอบรม nonface ซึ่งต้องเลือกให้ครอบคลุมพื้นที่ทั้งหมดของ nonface ภาพ อักษรง่ายๆ เช่น ใช้ความจริงที่ว่า ใบหน้าแทบทับซ้อนกันในรูป สามารถปรับปรุงความถูกต้องเปรียบเทียบกับอีกหลายรัฐ - of - the - art ตรวจจับใบหน้า ระบบจะแสดง , แสดงให้เห็นว่าระบบของเราได้เทียบเคียงสมรรถนะในแง่ของอัตราการตรวจจับ และ false-positive