Face detection constitutes a key visual information analysis task in Machine Learning. The rise of Big Data has resulted in the accumulation of a massive volume of visual data which requires proper and fast analysis. Deep Learning methods are powerful approaches towards this task as training with large amounts of data exhibiting high variability has been shown to significantly enhance their effectiveness, but often requires expensive computations and leads to models of high complexity. When the objective is to analyze visual content in massive datasets, the complexity of the model becomes crucial to the success of the model. In this paper, a lightweight deep Convolutional Neural Network (CNN) is introduced for the purpose of face detection, designed with a view to minimize training and testing time, and outperforms previously published deep convolutional networks in this task, in terms of both effectiveness and efficiency. To train this lightweight deep network without compromising its efficiency, a new training method of progressive positive and hard negative sample mining is introduced and shown to drastically improve training speed and accuracy. Additionally, a separate deep network was trained to detect individual facial features and a model that combines the outputs of the two networks was created and evaluated. Both methods are capable of detecting faces under severe occlusion and unconstrained pose variation and meet the difficulties of large scale real-world, real-time face detection, and are suitable for deployment even in mobile environments such as Unmanned Aerial Vehicles (UAVs).

人脸检测是机器学习中关键的视觉信息分析任务。大数据的兴起导致大量可视数据的积累，这需要适当而快速的分析。深度学习方法是完成此任务的有力方法，因为对具有高可变性的大量数据进行训练已显示可以显着提高其有效性，但通常需要昂贵的计算并导致模型的复杂性高。当目标是分析海量数据集中的视觉内容时，模型的复杂性对于模型的成功至关重要。本文针对人脸检测引入了轻量级的深度卷积神经网络（CNN），其目的是最大程度地减少训练和测试时间，并且在有效性和效率方面都胜过先前发布的深度卷积网络。为了在不影响效率的情况下训练这种轻量级的深层网络，引入了一种渐进式正负样本挖掘​​的新训练方法，并证明了该方法可以大大提高训练速度和准确性。此外，还训练了一个单独的深度网络来检测各个面部特征，并创建并评估了将两个网络的输出组合在一起的模型。两种方法都能够检测在严重遮挡和不受约束的姿势变化下的人脸，并且能够解决大规模现实世界中实时人脸检测的难题，并且即使在无人飞行器（UAV）等移动环境中也适用。在有效性和效率方面。为了在不影响效率的情况下训练这种轻量级的深层网络，引入了一种渐进式正负样本挖掘​​的新训练方法，并证明了该方法可以大大提高训练速度和准确性。此外，还训练了一个单独的深度网络来检测各个面部特征，并创建并评估了将两个网络的输出组合在一起的模型。两种方法都能够检测在严重遮挡和不受约束的姿势变化下的人脸，并且能够解决大规模现实世界中实时人脸检测的难题，并且即使在无人飞行器（UAV）等移动环境中也适用。在有效性和效率方面。为了在不影响效率的情况下训练这种轻量级的深层网络，引入了一种渐进式正负样本挖掘​​的新训练方法，并证明了该方法可以大大提高训练速度和准确性。此外，还训练了一个单独的深度网络来检测各个面部特征，并创建并评估了将两个网络的输出组合在一起的模型。两种方法都能够检测在严重遮挡和不受约束的姿势变化下的人脸，并且能够解决大规模现实世界中实时人脸检测的难题，并且即使在无人飞行器（UAV）等移动环境中也适用。介绍了一种新的渐进式正负样本挖掘​​训练方法，该方法可以显着提高训练速度和准确性。此外，还训练了一个单独的深度网络来检测各个面部特征，并创建并评估了将两个网络的输出组合在一起的模型。两种方法都能够检测在严重遮挡和不受约束的姿势变化下的人脸，并且能够解决大规模现实世界中实时人脸检测的难题，并且即使在无人飞行器（UAV）等移动环境中也适用。介绍了一种新的渐进式正负样本挖掘​​训练方法，该方法可以显着提高训练速度和准确性。此外，还训练了一个单独的深度网络来检测各个面部特征，并创建并评估了将两个网络的输出组合在一起的模型。两种方法都能够检测在严重遮挡和不受约束的姿势变化下的人脸，并且能够解决大规模现实世界中实时人脸检测的难题，并且即使在无人飞行器（UAV）等移动环境中也适用。训练了一个单独的深度网络以检测各个面部特征，并创建并评估了将两个网络的输出组合在一起的模型。两种方法都能够检测在严重遮挡和不受约束的姿势变化下的人脸，并且能够解决大规模现实世界中实时人脸检测的难题，并且即使在无人飞行器（UAV）等移动环境中也适用。训练了一个单独的深度网络以检测各个面部特征，并创建并评估了将两个网络的输出组合在一起的模型。两种方法都能够检测在严重遮挡和不受约束的姿势变化下的人脸，并且能够解决大规模现实世界中实时人脸检测的难题，并且即使在无人飞行器（UAV）等移动环境中也适用。