【論文學習記錄】Accurate Face Detection for High Performance

論文地址：Accurate Face Detection for High Performance。

論文基於RetinaFace提出新的網絡結構AInnoFace，聚焦於改善小臉的檢測性能。

一、整體情況

採用的是有6-level特徵金字塔結構的ResNet-152作爲網絡的backbone來生成多尺度的feature maps，後接兩個子網絡，一個用於分類backbone的輸出，一個用於迴歸bounding box。

爲解決one-stage檢測方法面臨的正負樣本不平衡問題，論文同樣引入了focal loss，

其中，代表ground-truth正負樣本類別

表示預測label y=1的概率

是一個平衡因子

是一個可調節的focusing參數

二、IoU Regression Loss

這裏引入的UnitBox的IoU Regression Loss，

其中，

是預測的bounding box

是ground-truth bounding box

直接優化這二者的IoU。

三、Selective Refinement Network

爲解決RetinaFace在人臉檢測中依然存在的兩個問題：（1）低召回率；（2）低定位精度，引入了SRN（Selective Refinement Network）中STC（Selective Two-step Classification）和STR（Selective Two-step Regression）。

STC在三個淺層上做two-step的分類，以過濾大部分負樣本和減少後面分類器的搜索空間。

STR在三個深層上做two-step的迴歸，來對anchor做進一步的調整和爲後面的迴歸網絡提供更好的初始位置信息。

其中，i是anchor的索引

是在1/2step的預測分類

是在1/2step的迴歸預測值

是ground truth的分類和bounding box值

是在1/2step的anchors正樣本數

是輸入2step的anchors樣本集合

是sigmoid focal loss

表示僅在正的anchors上計算IoU Regression

四、Data Augmentation

論文除採用常規的數據增強方法外，還以50%的概率採用類似PyramidBox的data-anchor-sampling方法。

從訓練圖像的一個batch中隨機選擇一個尺度的人臉，然後找到離它最近的一個anchor尺度，然後在附近隨機選擇一個，最後將圖像以尺度做resize並隨機裁剪到訓練尺寸（裁剪部分包含人臉），就得到anchor-sampled訓練數據。

五、Mat-out Label

爲減少假正例，論文也引入了max-out操作，具體做法是分類子網絡爲每個anchor預測維分數，然後再選擇和作爲最終人臉和非人臉的分數。論文設置，。

六、Multi-scale Testing

將圖像以多種尺度分別用訓練好的模型進行預測，得到檢測結果之後，對bounding box進行投票得到最終結果。

七、實驗結果

Anchor的設置是一個長寬比1.25，兩個尺度2S和（S是檢測層的下采樣尺度）。最終feature map上的每個位置有A=2兩個anchors，覆蓋了8x362像素的人臉（輸入圖像1024 x 1024）。

在STC階段設置，。

在STR階段設置，。

網絡的backbone使用的是在ImageNet數據集上預訓練的模型，新添加的卷積層使用“xavier”隨機初始化參數，optimizer是SGD，momentum 0.9，weight decay 0.0001，batch size 32。學習率的Warmup策略是開始的5個epochs從0.0003125到0.1，然後在第10和100個epochs學習率除以10，一共訓練130個epochs。