ASFD 阅读笔记

ASFD: Automatic and Scalable Face Detector（Arxiv 2022）
- 动机
- 解决方案
- - 问题分析
  - - Feature Aggregation（FA）
    - Feature Enhancement（FE）
  - 方法
  - - AutoFA
    - AutoFE
    - Search Strategy of AutoFA and AutoFE
    - Auto Model Scaling
- 实验结果
- 问题

ASFD: Automatic and Scalable Face Detector（Arxiv 2022）

论文链接：论文链接
代码链接：未开源

动机

问题：传统特征融合与增强模块（FAE）性能由于COCO和WIDER数据集在域上的差异，因此在人脸识别方面表现的性能不佳
贡献：
- 从本质上分析了数据分布的影响
- 提出了一个differentiable的AutoFAE模块用于人脸检测
简要分析：
- Fig.2(a)是对 传统FAE模块 的定量分析，将它们应用于人脸域时性能显著下降
- Fig.2(b)和(c )，WIDER数据集中人脸的尺度小、单张图片中目标多；
- 所以设计人脸检测器有以下原则：使用浅层特征、NMS前后保留更多结果

解决方案

问题分析

下面会讲到两个问题：

FA模块中不合理的连接会导致性能下降，

不同层的特征应该通过不同的操作来增强

Feature Aggregation（FA）

FA的结论：
- 自顶向下的特征融合可以取得比自底向上更好的效果
- 相近层的特征融合比远的层的融合效果好，如P7融合到P2时效果甚至会下降

Feature Enhancement（FE）

FE的结论：
- ASPP、CPM、RFB使用膨胀卷积，它们的实验结果相似，都会破坏浅层特征，导致浅层严重的性能下降
- RFE使用矩形感受野来丰富特征，在所有层上都表现较好
- 浅层特征喜欢多样化的感受野（矩形感受野），深层特征喜欢大感受野（膨胀卷积）

方法

AutoFA

假设一个金字塔特征和对应的聚合特征分别为 FFF 和 CCC，则AutoFA基本单元可以表示为
Ci=fpost(β0Fi+β1fpre(∑j<iαjfre(Cj))C_i=f_{post}(\beta_0F_i+\beta_1f_{pre}(\sum_{j<i}\alpha_jf_{re}(C_j)) Ci=fpost(β0Fi+β1fpre(j<i∑αjfre(Cj))
其中 ∑j<iαj=1\sum_{j<i}\alpha_j=1∑j<iαj=1，fpost(⋅)f_{post}(·)fpost(⋅) 和 fpre(⋅)f_{pre}(·)fpre(⋅) 是用于特征聚合的两个卷积操作，fre(⋅)f_{re}(·)fre(⋅) 用于将特征图调整为相同size
与SOTA的特征融合模块作比较

AutoFE

每个结点 iii 连接到前面的所有结点 j(j<i)j(j<i)j(j<i)，这个连接用 kjik_{ji}kji来表示，并且如果 kjik_{ji}kji 在所有的 k∗ik_{*i}k∗i 中是最大的，那么它将被 activate 激活
假设第 iii 个结点的特征图是 FiF_iFi，那么
Fi=∑j<i[j=arg max⁡jkji]fop(Fj,γji)F_i=\sum_{j<i}[j=\argmax_jk_{ji}]f_{op}(F_j, γ_{ji}) Fi=j<i∑[j=jargmaxkji]fop(Fj,γji)其中 fop(⋅)f_{op}(·)fop(⋅) 是被 γjiγ_{ji}γji 激活操作处理时加权的总和
与SOTA的特征增强模块进行比较

Search Strategy of AutoFA and AutoFE

这一步的目的是寻找AutoFE和AutoFA中最适合人脸检测的参数

Auto Model Scaling

ASFD系列由并行的主干、堆叠的 AutoFAE 模块和用于预测头的堆叠卷积组成。寻找更好的组合来满足不同的复杂性要求（适用于不同的场景，例如移动AI、PC AI、云AI），即选择哪个主干，有多少 AutoFAE 模块和卷积，是否为每个 AutoFAE 跳过 AutoFE，以及特征通道的数量是多少

实验结果

问题

Joint Searching 什么意思？

[论文笔记] ASFD 阅读笔记相关推荐

LIO-SAM论文与代码阅读笔记（一）论文阅读
文章目录 0.前言 1.内容介绍 2.研究背景 2.1.不同的地图维护方式 2.2.LIO的紧耦合和松耦合 3.方法 3.1.因子图 3.2.激光里程计因子 3.3.GPS因子 4.实验 4.1.旋转 ...
【LOAM系列】一：LOAM论文及代码阅读笔记
LOAM 2014 Ji Zhang LOAM中文注释版:https://github.com/cuitaixiang/LOAM_NOTEDLOAM 笔记及A-LOAM源码阅读:https://www ...
Clustered Federated Learning 论文源码阅读笔记
本篇文章的阅读论文是<Clustered Federated Learning: Model-Agnostic Distributed Multitask Optimization Under ...
Distilling Knowledge via Knowledge Review论文和源码阅读笔记
1.paper:https://arxiv.org/pdf/2104.09044.pdf 2.code:https://github.com/dvlab-research/ReviewKD 思谋科技出 ...
《我在谷歌大脑见习机器学习的一年：Node.js创始人的尝试笔记》阅读笔记
文章来源:https://www.toutiao.com/i6539751003690893828/?tt_from=weixin_moments&utm_campaign=client_sh ...
Towards Real-Time Multi-Object Tracking(JDE)论文阅读笔记
JDE阅读笔记 (一)Title (二)Summary (三)Research Problem (四)Problem Statement (五)Method 5.1 将Detection和Embedd ...
ChatGPT“克星”：用AI识别AI生成的文本，英语论文阅读笔记都能测出
萧箫发自凹非寺量子位 | 公众号 QbitAI ChatGPT的出现,让不少人看到了交期末大作业的曙光(手动狗头). 无论是英语论文.还是阅读笔记,只要在ChatGPT的知识范围内,都可以拜托它 ...
T5: Text-to-Text Transfer Transformer 阅读笔记
作者:徐啸知乎专栏:自然语言处理学习之旅 https://zhuanlan.zhihu.com/p/89719631 写在前面谷歌用一篇诚意满满(财大气粗)的基于实验的综述,试图帮助研究者们「拨开 ...
Object Detection in 20 Years A Survey-论文翻译（阅读笔记）
Object Detection in 20 Years A Survey论文翻译(阅读笔记) 原文地址:[1905.05055] Object Detection in 20 Years: A Su ...
Super4PCS文章阅读笔记
Super4PCS阅读笔记 Super4PCS阅读笔记前言前言今天给大家分享一下点云配准四点法4PCS0的变种--Super4PCS.此算法的原文在:Super4PCS: Fast Global ...

[论文笔记] ASFD 阅读笔记

ASFD 阅读笔记

ASFD: Automatic and Scalable Face Detector（Arxiv 2022）

动机

解决方案

问题分析

Feature Aggregation（FA）

Feature Enhancement（FE）

方法

AutoFA

AutoFE

Search Strategy of AutoFA and AutoFE

Auto Model Scaling

实验结果

问题

[论文笔记] ASFD 阅读笔记相关推荐

最新文章

热门文章