WeaveFace轻量级人脸检测器发布，引入Mamba实现跨尺度交互
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载跨尺度融合的难点
特征金字塔类方法从 FPN 一路演进到 BiFPN，依靠把不同尺度的特征合并起来，在面部检测任务上取得了不错的成绩。但在不受约束的场景下，例如目标尺寸很小、被遮挡或者姿态极端时，检测依然吃力。论文给出的解释是，这类情况需要全局的跨尺度依赖关系，而只在局部做融合的机制无法刻画这种关系。状态空间模型中的 Mamba 通过把特征当作序列来扫描，以线性复杂度提供全局上下文，因此被视为一个有希望的方向。不过这种扫描要求先把两个金字塔尺度合并成单一特征图，而合并方式直接决定了跨尺度结构能否被保留下来。
相加与拼接的取舍
论文比较了两种常见的合并手段。相加会在扫描之前就把两个尺度压到一起，结果是扫描过程没有跨尺度结构可以利用；拼接虽然把两个尺度都保留下来，代价却高得多。为绕开这一矛盾，作者提出 Weave Mamba Fusion，简称 WMF。它的做法是把相邻的两个金字塔尺度按列交错排列，使得水平双向 SS2D 扫描每走一步都在两个尺度之间切换。配合部分通道处理以及无需参数的解交织操作，WMF 在保持特征结构的同时实现了较为高效的跨尺度交互。
从融合节点到检测器
把 WMF 放进每一个融合节点，就得到 WeaveBiFPN，它充当 WeaveFace 检测器的颈部结构。在 WIDER FACE 数据集上，WeaveFace 在参数量与计算量都较小的条件下，表现超过了参数量更低的已有检测器。论文指出，性能提升最明显的部分出现在 Hard 子集上。作者同时公开了代码，论文提交时间为 2026 年 10 月 5 日，作者为 Dohun Kim 与 Jinmyung Jung，主题归类为计算机视觉与模式识别以及人工智能。
为什么值得看
将Mamba引入特征金字塔解决跨尺度融合难题，在极低算力下刷新轻量人脸检测SOTA，对端侧部署极具参考价值。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。