ICCV 2019 | 旷视研究院提出基于互向导的半监督皮肤检测新方法

两年一度的国际计算机视觉大会 ICCV 2019 ( IEEE International Conference on Computer Vision) 将于当地时间 10 月 27 至 11 月 2 日在韩国首尔举办。旷视研究院共有 11 篇接收论文，涵盖通用物体检测及数据集、文字检测与识别、半监督学习、分割算法、视频分析、影像处理、行人/车辆再识别、AutoML、度量学习、强化学习、元学习等众多领域。在此之前，旷视研究院将每周介绍一篇 ICCV 2019 接收论文，助力计算机视觉技术的交流与落地。

本文是第 3 篇，旷视研究院提出一种新的基于数据驱动的半监督的皮肤检测方法，用于实现人体图像的鲁棒皮肤检测。该网络可以半监督的方式训练，即不需要 groundtruth 的两个类型存在于一个训练数据样本之内。大量实验证明互向导、半监督损失以及多种训练策略的有效性。实验结果也表明本文方法是皮肤检测领域的当前最佳。

论文名称：Semi-supervised Skin Detection by Network with Mutual Guidance

论文地址：https://arxiv.org/abs/1908.01977

目录

• 导语

• 简介

• 算法

• • Mutual Guidance

  • Learning Algorithm

  • • Semi-supervised loss

    • • Cross-entropy loss

      • CRF loss

      • WCE loss

• 实验 

• 结论

• 参考文献

• 往期解读

导语

皮肤检测旨在从图像和视频中发现皮肤颜色的像素和区域，这是一个非常有趣的问题，多作为一些深入应用的预处理步骤，比如人脸检测，姿势检测，网络内容的语义过滤等等。

由于皮肤根据其颜色及光照条件的不同而呈现出多种多样的变化，皮肤检测是一项相当具有挑战性的任务。

先前方法尝试在不同的色彩空间建模皮肤颜色，并训练皮肤分类器。但是，这些方法严重依赖皮肤颜色的分布，并且没有语义信息，导致性能欠佳。

近年来，随着深度神经网络的发展，虽然基于 DNN 的皮肤检测方法获得了可观的精度提升，但仍然受限于费钱费时的皮肤标注数据不足的影响。

简介

有鉴于此，旷视研究院提出通过身体检测为向导来提升皮肤检测的性能。如果一个身体掩膜（mask）可用，它对皮肤检测有两个好处。

第一，它为皮肤检测器提供一个先验信息，其中皮肤的较高概率是固定的；第二，检测到一个皮肤掩膜之后，它可过滤掉背景中的假阳性像素。

同时，把皮