Publication

On Improving Face Detection Performance by Modelling Contextual Information

2010
Reports

Résumé

In this paper we present a new method to enhance object detection by removing false alarms and merging multiple detections in a principled way with few parameters. The method models the output of an object classiï¬er which we consider as the context. A hierarchical model is built using the detection distribution around a target sub-window to discriminate between false alarms and true detections. Next the context is used to iteratively reï¬ne the detections. Finally the detections are clustered using the Adaptive Mean Shift algorithm. The speciï¬c case of face detection is chosen for this work as it is a mature ï¬eld of research. We report results that are better than baseline method on XM2VTS, BANCA and MIT+CMU face databases. We signiï¬cantly reduce the number of false acceptances while keeping the detection rate at approximately the same level and in certain conditions we recover miss-aligned detections.

Source officielle

https://infoscience.epfl.ch/entities/publication/a88c9019-def7-4ac7-9f82-df478c2757fc

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

2010
Reports

Résumé

Source officielle

https://infoscience.epfl.ch/entities/publication/a88c9019-def7-4ac7-9f82-df478c2757fc

À propos de ce résultat

Concepts associés (32)

Détection d'objet

thumb|Détection de visage avec la méthode de Viola et Jones. En vision par ordinateur on désigne par détection d'objet (ou classification d'objet) une méthode permettant de détecter la présence d'une instance (reconnaissance d'objet) ou d'une classe d'objets dans une . Une attention particulière est portée à la détection de visage et la détection de personne. Ces méthodes font souvent appel à l'apprentissage supervisé et ont des applications dans de multiples domaines, tels la ou la vidéo surveillance.

Détection de contours

En et en vision par ordinateur, on appelle détection de contours les procédés permettant de repérer les points d'une qui correspondent à un changement brutal de l'intensité lumineuse. Ces changements de propriétés de l' indiquent en général des éléments importants de structure dans l'objet représenté. Ces éléments incluent des discontinuités dans la profondeur, dans l'orientation d'une surface, dans les propriétés d'un matériau et dans l'éclairage d'une scène.

Detection theory

Detection theory or signal detection theory is a means to measure the ability to differentiate between information-bearing patterns (called stimulus in living organisms, signal in machines) and random patterns that distract from the information (called noise, consisting of background stimuli and random activity of the detection machine and of the nervous system of the operator). In the field of electronics, signal recovery is the separation of such patterns from a disguising background.

Afficher plus

Publications associées (2)

On Improving Face Detection Performance by Modelling Contextual Information

Chattez avec Graph Search

Vulnérabilité sismique à grande échelle de la ville de Lausanne

Upscaling of a two-region façade-leaching model to the city scale