论文地址
相关解读：
[论文笔记] 人脸检测方向系列论文
arxiv2019_AFD_HP

文章要点

RetinaNet + focal loss
UnitBox的IOU loss
SRN的 2-step bbox cls/reg
PyramidBox的data-anchor-sampling
S3FD的max-out label
multi-scale inference

模块简介

Focal Loss

目标检测分为one-stage/two-stage，focal loss的论文提出one-stage检测性能不如two-stage的原因之一是训练过程中的正、负、难、易样本不均，因此通过施加权重因子来平衡：
L F L = { − α ∗ ( 1 − p ) γ ∗ l o g ( p ) , y = 1 − ( 1 − α ) ∗ p γ ∗ l o g ( 1 − p ) , y = 0 L_{FL}=\begin{cases} -\alpha*(1-p)^\gamma*log(p), & y=1 \\ -(1-\alpha)*p^\gamma*log(1-p), & y=0 \end{cases} LFL={−α∗(1−p)γ∗log(p),−(1−α)∗pγ∗log(1−p),y=1y=0
参考FocalLoss你真的懂吗？，式中 α \alpha α用来平衡样本的正负不均（通常正样本少于负样本，值设置为>0.5，提高对正样本的关注度）， γ \gamma γ降低易分样本的损失贡献程度。最终形成对模型的关注度大小关系为：正难 > 负难 > 正易 > 负易正难>负难>正易>负易正难>负难>正易>负易。

关于Focal Loss论文中提到的变种，可以见AmSoftmax作者的文章被忽略的Focal Loss变种。

Focal Loss论文中提及了RetinaNet网络结构是为了测试新损失函数性能，在结构上面没有专门进行优化，但这种结构由于具有多尺度检测能力，在end2end模型中有很多应用。本文也是以RetinaNet作为Baseline，使用ResNet-152作为主干网络，使用FPN模块输出6个分支。

IOU loss

人脸检测的结果包含人脸置信度（分类）、人脸位置（回归），前者使用交叉熵（改进后为Focal Loss），后者通常使用Smooth L1 Loss计算预测位置的数值误差。评估人脸检测框的指标一般使用IOU，这与Smooth L1并不等价，在训练时使损失值减小并不能保证预测框与GT往更重合的方向收敛。UnitBox论文中提出使用IOU Loss：
L I o U = − l n I n t e r s e c t i o n ( B p , B g t ) U n i o n ( B p , B g t ) L_{IoU}=-ln\frac{Intersection(B_p,B_{gt})}{Union(B_p,B_{gt})} LIoU=−lnUnion(Bp,Bgt)Intersection(Bp,Bgt)
但IOU Loss也存在无法优化两框不相交、相交时如何相交等问题，因此又出现了GIOU、DIOU、CIOU等方法。见
目标检测回归损失函数简介：SmoothL1/IoU/GIoU/DIoU/CIoU Loss
GIOU、DIOU、CIOU

SRN

RetinaNet中实现了多个尺度的输出，并用Focal Loss平衡的正负难易，但不同尺度中浅层较深层的检测更密集，因此对应的分支输出数量更多，携带信息更少，依然存在imbalance问题。

参考Selective Refinement Network，SRN在主干网络上输出6个分支，并且采用two-step策略，前3个分支实现小人脸检测，后3个分支实现人脸位置定位。

classification的1st-step到2nd-step会通过阈值过滤部分目标，避免得到大量的fp；
regression则认为前3层的小人脸信息较少，难以实现准确的位置定位，同时浅层网络的主要任务是检测小人脸，不应该在该阶段就强化模型对位置信息的提取。
最终输出可以划分为 Selective Two-step Classification（STC）、Selective Two-step Regression（STR），损失函数分别为：
L S T C ( { p i } , { q i } ) = 1 N s 1 ∑ i ∈ Ω L F L ( p i , l i ∗ ) + 1 N s 2 ∑ i ∈ Φ L F L ( q i , l i ∗ ) L S T R ( { x i } , { t i } ) = 1 N s 1 ∑ i ∈ Ψ [ l i ∗ = 1 ] L r ( x i , g i ∗ ) + 1 N s 2 ∑ i ∈ Φ [ l i ∗ = 1 ] L r ( t i , g i ∗ ) L_{STC}(\lbrace p_i \rbrace,\lbrace q_i \rbrace)=\frac{1}{N_{s_1}}\sum_{i\in\Omega}L_{FL}(p_i,l_i^*)+\frac{1}{N_{s_2}}\sum_{i\in\Phi}L_{FL}(q_i,l_i^*) \\ L_{STR}(\lbrace x_i \rbrace,\lbrace t_i \rbrace)=\frac{1}{N_{s_1}}\sum_{i\in\Psi}[l_i^*=1]L_r(x_i,g_i^*)+\frac{1}{N_{s_2}}\sum_{i\in\Phi}[l_i^*=1]L_r(t_i,g_i^*) LSTC({pi},{qi})=Ns11i∈Ω∑LFL(pi,li∗)+Ns21i∈Φ∑LFL(qi,li∗)LSTR({xi},{ti})=Ns11i∈Ψ∑[li∗=1]Lr(xi,gi∗)+Ns21i∈Φ∑[li∗=1]Lr(ti,gi∗)

data-anchor-sampling

数据增广方面使用随机扩充/裁剪/翻转/颜色抖动，并且以0.5的概率使用PyramidBox中的data-anchor-sampling进行图像处理。

主要过程：

从训练图像中选取一张人脸；
根据人脸按 2 i 2^i 2i确定尺度最接近的 i i i值大小；
从 { 0 , . . . , m i n ( 5 , i + 1 ) } \lbrace0,...,min(5,i+1)\rbrace {0,...,min(5,i+1)}中随机选取一个作为目标缩放尺度 S t a r g e t S_{target} Starget；
以 S t a r g e t S_{target} Starget为中心，从 ( S t a r g e t / 2 , S t a r g e t ∗ 2 ) (S_{target}/2,S_{target}*2) (Starget/2,Starget∗2)连续域中随机选取一个值作为真正的缩放尺度，并对整张图像进行缩放；
以缩放后图像中目标人脸为中心，截取一个640*640（依据网络的输入大小）的图像，如果超出边界以黑色像素填充。

max-out label

通过anchor密集采样可以召回小目标，但会存在大量误检。因此对每个anchor的每个类别输出多个置信度，再取最大值作为每个类别的置信度。相当于多增加一些分类器分析特征信息，增加分析的鲁棒性。

multi-scale inference

多尺度目标检测推理过程中的处理策略，将待检测的图像resize成多个尺度分别送入模型进行推理，将结果通过投票机制融合输出。

训练参数

参数名	设定值
参数初始化	xavier
优化算法	SGD
momentum	0.9
weight decay	0.0001
batch size	32
end_epoch	130
学习率初始化策略	前5个epoch从0.0003125到0.01
学习率衰减策略	100、120分别除以10

Anchor Detail

IOU	负样本	丢弃	正样本
STC	0 ~ 0.3	0.3 ~ 0.7	> 0.7
STR	0 ~ 0.4	0.4 ~ 0.5	> 0.5

论文学习 AInnoFace：Accurate Face Detection for High Performance相关推荐

深度学习论文阅读目标检测篇（一）：R-CNN《Rich feature hierarchies for accurate object detection and semantic...》
深度学习论文阅读目标检测篇(一):R-CNN<Rich feature hierarchies for accurate object detection and semantic segmen ...
【论文学习】MKIoU Loss: Towards Accurate Oriented Object Detection in Aerial Images
[论文学习]MKIoU Loss: Towards Accurate Oriented Object Detection in Aerial Images 在本文中,提出了一种近似 SkewIoU 的 ...
softer-nms论文学习详解(Bounding Box Regression with Uncertainty for Accurate Object Detection)
<Bounding Box Regression with Uncertainty for Accurate Object Detection> 论文地址: https://arxiv.o ...
目标检测经典论文——R-CNN论文翻译：Rich feature hierarchies for accurate object detection and semantic segmentation
Rich feature hierarchies for accurate object detection and semantic segmentation--Tech report (v5) 用 ...
【论文精读】Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation（R-CNN）
论文Title:Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation.发表于2014年. 本 ...
论文解读 | Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation
论文地址:Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation GitHub地址: http ...
论文学习笔记《SWA Object Detection》
这是一篇2020年年底挂在arxiv上的论文,主要思想很简单,就做了一件事情:采用周期性学习率迭代策略(余弦退火算法)额外再训练模型12个epoch,然后平均每个epoch训练得到的weights作为 ...
【论文学习】《A Overview of Spoof Speech Detection for Automatic Speaker Verification》
<A Overview of Spoof Speech Detection for Automatic Speaker Verification>论文学习文章目录 <A Overv ...
End-to-End Object Detection with Transformers，DETR论文学习
End-to-End Object Detection with Transformers,DETR论文学习 1. 引言 2. 本论文发表前的目标检测策略(非端到端的目标检测策略) 2.1 目标检测的 ...

论文学习 AInnoFace：Accurate Face Detection for High Performance