'fix'

Star-Clouds · Oct 17, 2019 · 04be5ed · 04be5ed
1 parent afef0f5
commit 04be5ed
Show file tree

Hide file tree

Showing 2 changed files with 18 additions and 8 deletions.
diff --git a/README.md b/README.md
@@ -37,11 +37,13 @@ LFFD-v1|0.910|0.881|0.780
 LFFD-v2|0.837|0.835|0.729
 CenterFace|0.932|0.921|0.873
 
-> - **RetinaFace-mnet** 是RetinaFace-MobileNet-0.25的简写，来自于非常好的工作[insightface](https://github.com/deepinsight/insightface).
-> - **LFFD-v1** 也是很好的工作[LFFD](https://github.com/YonghaoHe/A-Light-and-Fast-Face-Detector-for-Edge-Devices).
+> - **RetinaFace-mnet** 是RetinaFace-MobileNet-0.25的简写，来自于非常好的工作[insightface](https://github.com/deepinsight/insightface)。
+> - **LFFD-v1** 也是很好的工作[LFFD](https://github.com/YonghaoHe/A-Light-and-Fast-Face-Detector-for-Edge-Devices)。
 > - CenterFace/CenterFace-small的测试方法是MULTI-SCALE，因为训练图像和测试图像尺度的不一致性，多尺度测试才能反应centerface的真实性能。
-   不过，对于SIO(原图单次推理)，CenterFace在val集上也可以达到：92.2% (Easy), 91.1% (Medium) and 78.2% .
-> - 关于Evaluation的一些思考:[人脸检测小江湖](evaluation.md)
+   不过，对于SIO(原图单次推理)，CenterFace在val集上也可以达到：92.2% (Easy), 91.1% (Medium) and 78.2% 。
+   而RetinaFace-mnet在val集上是：89.6% (Easy), 87.1% (Medium) and 68.1% 
+
+> - 关于Evaluation的一些思考:[人脸检测小江湖](evaluation.md)。
 
 - FDDB的结果:
 

diff --git a/evaluation.md b/evaluation.md
@@ -18,23 +18,31 @@
 
  - 单尺度原图测试：这是lffd提出的测试方法，也是比较严谨的测试方法，而且对工业界更具有参考意义。
 
- - 单尺度缩放测试：faceboxes将图像放大三倍进行测试。放大三倍后，图像中的人脸变大了，就更容易检测了，性能自然会好一些。而Ultra-Light-Fast-Generic-Face-Detector是将图像不等比例的resize到320*240和640*480进行测试，resize后，图像变小了，人脸也会出现形变。
+ - 单尺度缩放测试：faceboxes将图像放大三倍进行测试。
+                   而Ultra-Light-Fast-Generic-Face-Detector是将图像不等比例的resize到320**240和640**480进行测试。
 
 #### 实验对比
    几乎所有的实验对比都是严谨的，但也有把其他算法测低了的。有以下几种情况：
 
  - 采用paper的数据进行比较：测试方法虽然混乱（存在着各种tricks和差异性），但都是用paper的数据进行对比。测试方法不能统一，那就用各自最好结果进行对比吧，这也是公平的。
 
- - 单尺度原图进行测试比较：这种方法有些不公平，因为训练和测试的图像分辨率是不一样，例如，sfd的训练图像分辨率是640*640*3，而测试图像分辨率大都是1280*720*3，有些不公平。
+ - 单尺度原图进行测试比较：这种方法有些不公平，因为训练和测试的图像分辨率是不一样，例如，sfd的训练图像分辨率是640**640**3，而测试图像分辨率大都是1280**720**3，有些不公平。
 
- - 单尺度640*480和320*240进行比较：Ultra-Light-Fast-Generic-Face-Detector的实验比较方法。因为这个网络使用的训练图像是缩放到640*480或320*240的，所以对这个尺度的图像比较鲁棒了，而其他算法却不行；所以，这样比较准确性不够。更好的是采用paper的数据或测试方法。
+ - 单尺度缩放比较：faceboxes将FDDB的图像放大三倍进行测试，放大三倍后，图像中的人脸变大了，就更容易检测了，性能自然会好一些。
+     而Ultra-Light-Fast-Generic-Face-Detector是针对640**480或320**240的设计的anchor，所以，这样分辨率下准确性比较高。不过这么设计是从工业场景出发，毕竟学术与工业界还是有gap的，大多数忽略了这个细节而已。
+
+     
 
 #### 总结
 
    针对更好的评测人脸检测的问题，本人进行了以下总结，可供参考：
 
  - 多尺度测试：拿出算法在多尺度下最好结果和别的算法最好结果(一般就是paper上的数据啦)进行pk；
 
- - 单尺度测试：拿出算法在单尺度图像下最好结果和别人单尺度最好的结果进行pk，而不是把别人的算法测低了。
+ - 单尺度测试：拿出算法在单尺度图像下最好结果和别人单尺度最好的结果进行pk。
+
+    对于实际应用场景而言，可以使用Ultra-Light-Fast-Generic-Face-Detector采用的测试比较方法，以判断实际场景下的准确性。
 
    一点思考，写出来与大家交流。
+
+