人脸检测——xiaomi

本次介绍一篇来自小米黑科技的人脸检测文章：

《arxiv: Bootstrapping Face Detection with Hard Negative Examples》.

看完后续算法讲解之后，请自行体会人脸检测专业研究人员看到下图的感受。

————————— 分割线 —————————

文章很短，没有创新。

核心思想： Hard Negative Mining + Faster R-CNN

要点说明：

（1）样本均衡问题：

人脸检测基本都会和二分类器有关，即分类一个窗口是或者不是人脸。易知，正样本(人脸)通常都要比负样本(非人脸)多很多很多，这种样本分布的严重不平衡会影响模型收敛。通常采取的处理策略是：在一个batch中，通过某种采样手段(random、hard mining)将正负样本的比例固定(如1:3)。小米同样采用了这种均衡策略。

（2）负例挖掘问题：

负例挖掘的本质在于大部分的窗口都很容易判断是否为人脸，这也是为什么在人脸检测领域“级联”这一思想大行其道。小米也使用了很普通的挖掘方法：先训练一个普通的Faster-R-CNN，然后把整个训练集跑一遍，选中分错的。下次finetune的时候，将选中的Hard-Negative加入训练，同时保证正负例1:3。

评价：

刷榜作品，没有创新。

刷榜时使用的是VGG和ResNet-50这种规模比较大的网络，速度堪忧。

PS. 人脸检测大家的水平其实差的不会太多，速度才是真正影响商业化的难点。