目前最强性能的人脸检测算法（Wider Face Dataset）

2019 年 9 月 4 日 计算机视觉战队

最强性能的人脸检测

今天我们不说计算机视觉基础知识，接下来说说AAAI2019一篇比较新颖的Paper，其是中科院自动化所和京东AI研究院联合的结果，在Wider Face数据集中达到了较高的水准，比arxiv2019_VIM-FD的更好一些。今天要说的就是“Improved SRN”，现在开始一起学习吧！

Improved SRN

人脸检测作为计算机视觉中的一个长期存在的问题，由于其实际应用，近几十年来一直受到人们的关注。

随着人脸检测基准数据集的广泛应用，近年来各种算法都取得了很大的进展。其中，Selective Refinement Network（SRN）人脸检测器有选择地将分类和回归操作引入到anchor-based的人脸检测器中，以减少假阳性同时提高定位精度。此外，它还设计了一个感受野增强块，以提供更多样化的感受野。

深度学习——感受野，如果进一步了解感受野，可以进入链接学习！

为了进一步提高SRN的性能，通过大量的实验，开发了现有的一些技术，包括新的数据增强策略、改进的backbone network、MS COCO预训练、解耦分类模块（decoupled classification module）、分割分支和压缩激励块（Squeeze-and-Excitation block）。

其中，一些技术带来了性能改进，因此，将这些有用的技术结合在一起，提出了一种改进的SRN人脸检测器，并在广泛使用的人脸检测基准的人脸数据集上获得了最佳的性能。

人脸检测其实比较简单，就是将图像输入算法框架中，最终返回输入图像中目标人脸的bounding box。

Review of Baseline

接下来，我们先简要回顾Selective Refinement Network（SRN）。如下图1所示，它包括选择性两步分类(STC)、选择性两步回归(STR)和感受野增强(RFE)，这三个模块的详细说明如下。

图1 SRN。它包括选择性两步分类(STC)、选择性两步回归(STR)和感受野增强(RFE)。

S T C

对于单级检测器，大量的正负样本比的anchor（例如，大约有300k个anchor，SRN中的正/负比约为0.006%）导致了相当多的假阳性。因此，它需要另一个阶段，如RPN过滤掉一些负样本。选择性两步分类是从RefineDet继承而来的，有效地拒绝了大量的负样本anchor，缓解了类不平衡问题。

STC作用于浅层Feature Map上，来过滤掉大部分比骄傲容易区分的负样本，来减少搜索空间。

S T R

像Cascade RCNN这样的多步回归可以提高Bounding Box位置的准确性，特别是在一些具有挑战性的场景中，例如MS COCO风格的评估指标。然而，将多步回归应用于人脸检测任务中，如果不仔细考虑，可能会影响检测结果。

STR作用于高层Feature Map上，用来粗略调整anchor的尺度、位置（类似于RefineDet中ARM的回归任务），并进一步为高层Feature Map上的回归器提供refined后的anchor位置初始化（类似于RefineDet中ODM的回归任务）。

R F E

当前网络通常都具有square感受野，这影响了对不同高宽比目标的检测。为了解决这个问题，SRN设计了一个感受野增强（RFE），在预测类和位置之前，将特征的感受野多样化，这有助于在某些极端姿势中很好地捕捉到人脸。

改进说明

Improved SRN基于SRN的改进，如数据增强、特征提取、训练策略等。

数据增广

使用SRN的原始数据增强策略，包括光照扭曲、通过零填充操作进行随机扩展、从图像中随机裁剪块，并调整块的大小到1024×1024。另外，在概率为0.5的情况下，利用PyramidBox中的data-anchor-sampling，随机选择图像中的一个人脸，并基于子图像进行定位。这些数据增强方法对于防止过度拟合和构造鲁棒模型至关重要。

特征提取

Wider Face内小尺度人脸特别多，SRN的主干网为：ResNet-50-FPN，可以进一步提升；ScratchDet提出了Root-ResNet，用于检测小尺度目标，但训练速度比原生态ResNet慢。

那么为了保证主干网性能好，训练速度快，Improved SRN融合了Root-ResNet+DRN的思路。

具体地，ResNet中第一个stride = 2的7 x 7 conv，丢失了很多图像的细节信息，对小尺度人脸检测不利，本次的改进如下图2，第一阶段的conv整体上stride = 1，channel = 16，而非64，并新增了2个residual blocks，一方面增强特征的表达能力，另一方面做下采样，通道数也少了很多；整体上就是，提特征能力强了，额外的计算开销也减少。

图2 网络结构图 (a)ResNet-18：原始结构，(b)Root-ResNet-18：用三层叠置的3×3卷积层取代7×7卷积层，并将步长2改为1，(c)New-ResNet-18：将DRN与Root-ResNet-18相结合，为SRN建立一个训练速度/精度折衷的网络骨干。

训练策略

由于RESNET-50-FPN主干网已经被修改，所以不能使用ImageNet预训练模型。一种解决方案是DRN，它在ImageNet数据集上训练修改后的主干，然后在更宽的面上进行细化。

然而，有人证明了ImageNet的预训练是不必要的。因此，将训练epoch翻了一番，达到260次，并从零开始用改进的骨干网络训练模型。从零开始训练的关键因素之一是标准化，由于输入量大(1024×1024)，一个24G GPU只能输入5幅图像，导致批量归一化从零开始训练时效果不佳。为此，利用group=16的组规范化（Group Normalization ）从零开始训练这个改进的ResNet-50骨干网。