旋转人脸检测算法：RIOU与网络结构解析

"该文档详细介绍了旋转人脸检测算法，包括重叠度量指标RIOU的定义、网络结构以及训练策略。" 在旋转人脸检测算法中，关键在于精确地识别和定位不同角度的人脸。传统的IOU（Intersection over Union）指标用于衡量两个矩形框的重合程度，但在处理旋转框时就显得不足。为了解决这一问题，文中引入了旋转IOU（RIOU），它是针对旋转预选框的匹配度量。RIOU考虑了两个旋转框之间的角度差，确保在0°~90°范围内，角度差异越大，RIOU值越小，从而更准确地评估两框的匹配程度。RIOU在训练网络时用于设计新的预选框方案，优化真实边框与旋转预选框的匹配。 网络结构方面，采用类似Faster R-CNN中的区域建议网络（RPN）作为基础，利用预训练的VGG16网络提取特征。VGG16因其在ImageNet上的预训练，具备优秀的特征提取和分类能力。在VGG16的conv11到conv53卷积层之后，通过两个3×3的卷积核进行人脸分类和边框回归。特征图上的每个点都预测出8个不同角度的框，以适应多尺度和多方向的人脸检测。 在训练策略上，首先将真实人脸边框与旋转预选框进行匹配，匹配到的预选框被视为正样本。通过这种方式，网络可以学习到如何对旋转人脸进行有效的分类和坐标偏移预测。输入图像大小设为600×600，预选框的角度集合为{30, 60, 111, 162}，高宽比例为2:3，尺度集为{45, 90, 166, 242}，步长为16，感受野为228×228。这样的预选框设计能够更好地检测不同尺度和角度的目标。 旋转人脸检测算法通过RIOU优化了旋转框的匹配，利用VGG16网络提取特征，并通过特定的预选框策略进行多尺度、多角度的检测，提高了在复杂场景下的人脸检测精度。