LFFD: A Light and Fast Face Detector for Edge Devices

Abstract

• 人脸检测技术作为一项基础性的应用技术，一直部署在存储空间有限、计算能力低的边缘设备上。介绍了一种用于边缘检测的光快速人脸检测仪。该方法是自由锚的，属于一阶段分类。具体来说，我们重新思考了在人脸检测背景下，接收场（rf）和有效接收场（erf）的重要性。本质上，某一层神经元的RFs在输入图像中有规律地分布，这些RFs是自然的“锚”。该方法结合了rf锚和合适的rf步长，能够检测出覆盖率为100%的大范围连续人脸尺度。深入了解ERF与面部尺度之间的关系，激发了一个有效的单阶段检测骨干。主干网具有八个检测分支和公共层，计算效率高。在流行的基准上进行了全面而广泛的实验：WIDER FACE和FDDB数据集上进行了测试。针对面向应用的场景，提出了一种新的评估方案。在新方案下，该方法具有较高的精度（WIDER FACE 验证集/测试集-简单：0.910/0.896，中等：0.881/0.865，困难：0.780/0.770，FDDB-不连续：0.973，连续：0.724）。引入多个硬件平台来评估运行效率。该方法能获得快速的推理速度。

Introduction

• 人脸检测是计算机视觉中一个由来已久的问题。在实践中，它是一些与人脸相关的应用的先决条件，例如人脸对齐[14]和人脸识别[31]。除此之外，人脸检测器通常部署在边缘设备上，如移动电话、IP摄像头和物联网（IoT）传感器。这些设备内存有限，计算能力低。在这种情况下，对人脸检测的精度和速度提出了更高的要求。
• 目前最先进的面部探测器已经通过利用预先训练过的重骨干，如vgg16[27]、resnet50/152[7]和densenet121[10]，在定罪基准宽脸[33]上实现了相当高的精确度。可以看出，这些方法的精度与实际应用中难以察觉的边缘间隙相似。通过使用更复杂和更重的骨干来进一步提高准确性是困难和不现实的。在我们看来，更好地平衡准确度和延迟对于将人脸检测应用到更适用的领域是至关重要的。
• 人脸检测是近十年来发展迅速的一般目标检测分支。Viola Jones人脸检测仪的早期工作[29]提出了一个经典的检测框架——具有手工制作功能的级联分类器。其著名的追随者之一是聚合频道特性（ACF）[4,32]，它可以有效地利用频道特性。虽然上述方法可以获得较快的运行速度，但是它们依赖于手工制作的特征，并且没有进行端到端的训练，导致检测精度不高。
• 近年来，基于卷积神经网络（cnn）的人脸检测技术[36、39、16、3、28、13、30、34、9、38、40、20、37]取得了很大的进展，部分原因在于较宽的人脸基准的成功。这些方法大致可分为两类：两阶段法和一阶段法。两阶段方法[13，30]包括方案选择和定位回归，主要来源于r-cnn系列[6，5，26]。然而，单阶段方法[9，38，20，37，28，3，16，36]一致地结合了分类和边界盒（bbox）回归，总是同时实现基于锚和多尺度的检测。锚定设计与匹配策略是大多数单阶段方法的重要组成部分。为了提高计算精度，这些方法提出了基于重骨干的复杂模块。尽管上述方法可以达到最新的结果，但它们可能无法适当地平衡准确性和延迟。
• 在本文中，我们提出了一种用于边缘设备的轻型快速人脸检测器（LFFD），它在准确度和运行效率上都有相当大的平衡。该方法受到了单级多尺度目标检测方法ssd[17]的启发，对其他人脸检