YOLO – face: آشکارساز چهره زمان حقیقی

تشخیص چهره یکی از وظایف مهم تشخیص شی است. معمولا تشخیص، مرحله اول شناخت الگو و تایید هویت است. در سال‌های اخیر، الگوریتم های یادگیری عمیق در تشخیص اشیا به سرعت رشد کرده‌اند. این الگوریتم ها می‌توانند به طور کلی به دو دسته تقسیم شوند، به عنوان مثال، آشکارساز دو مرحله‌ای مانند Faster R – CNN و آشکارساز یک مرحله‌ای مانند YOLO. اگر چه YOLO و انواع آن از نظر دقت به اندازه آشکارسازهای دو مرحله‌ای خوب نیستند، اما از نظر سرعت از همتایان خود بهتر عمل می‌کنند. YOLO در مواجهه با اشیا با اندازه طبیعی به خوبی عمل می‌کند، اما قابلیت تشخیص اشیا کوچک را ندارد. درستی به طور قابل‌توجهی زمانی کاهش می‌یابد که با اشیایی سر و کار داریم که در مقیاس بزرگ تغییر چهره دارند. با هدف حل مشکل تشخیص مقیاس‌های چهره مختلف، ما یک شناساگر چهره به نام YOLO – face مبتنی بر YOLOv3 را برای بهبود عملکرد برای تشخیص چهره پیشنهاد می‌کنیم. روش حاضر شامل استفاده از anchor boxes {جعبه های لنگر، جعبه هایی برای ضبط مقیاس و نسبت ابعاد کلاس های خاص اشیاء که می خواهید تشخیص دهید تعریف شده اند و معمولاً بر اساس اندازه شیء در مجموعه داده

Face detection is one of the important tasks of object detection. Typically detection is the first stage of pattern recognition and identity authentication. In recent years, deep learning-based algorithms in object detection have grown rapidly. These algorithms can be generally divided into two categories, i.e., two-stage detector like Faster R-CNN and one-stage detector like YOLO. Although YOLO and its varieties are not so good as two-stage detectors in terms of accuracy, they outperform the counterparts by a large margin in speed. YOLO performs well when facing normal size objects, but is incapable of detecting small objects. The accuracy decreases notably when dealing with objects that have large-scale changing like faces. Aimed to solve the detection problem of varying face scales, we propose a face detector named YOLO-face based on YOLOv3 to improve the performance for face detection. The present approach includes using anchor boxes more appropriate for face detection and a more p