S3FD：Single Shot Scale-invariant Face Detector

Single Shot Scale-invariant Face Detector

问题

1. The lowest anchor-associated layer的步幅太大（例如，SSD中的8个像素和Faster R-CNN中的16个像素），因此在这些层上的中小脸被高度挤压，用于检测的特征很少了；
2. anchor的尺度和感受野相互不匹配，而且都太大而不适宜小人脸检测；
3. 离散尺度的anchor预测连续尺度的人脸，导致tiny face和outer face均不能获得足够多的匹配；
4. 小的anchor在进行匹配时会面临更多的负样本。

提出框架

结构和SSD一致，在不同层使用不同尺度的anchor预测目标。

Scale-equitable framework

6个检测分支对应的空间stride、anchor以及感受野(RF)的大小
上表设计，主要考虑下列两个因素：

1. Anchor的size应当比(理论上的)感受野小
   理论上的感受野是指该范围内的任意输入都会影响到输出。 但实际上，这种影响不是均匀的，于是中间的输入对输出影响越重，类似于一种中心高斯分布。如下图(a)(b)所示：
   
   我们应当使得anchor的size与有效感受野相匹配，有效感受野如上图(b)中的蓝色圆圈所示。其中，黑色框为理论感受野。
2. 不同size的anchor应当具有相同的空间密度分布
   如上图（c）中所示，anchor的尺寸和步长的比例始终保持为4，即使在不同尺度上，滑动过一定百分比的像素，得到的anchor的数量是一致的。

Scale compensation anchor matching strategy

如第一个图（c），平均匹配到的anchor数量约为3，太少；与anchor size差距较远的人脸匹配成功的数量尤其少(tiny face + outer face)。为了改善这种状况，主要采取了下列两种方法：
3. 将原有的匹配阈值由0.5降到0.35，以此来增加更多的成功匹配。 (但该策略只能提高平均匹配数量，但不能改善tiny face和outer face。)
4. 选出所有IOU大于0.1得到anchor并进行排序，从中选TOP N。(N为第一步平均成功匹配数量。)

结果如图（a）

Max-out background label

640x640图片上所能产生的不同size的anchor的数量，显然尺寸小的anchor占了绝大比例，这也是false positive的主要来源。

为了减少小目标所产生的false positive，文中采用了下面的方法来加强对小目标的区分：

在conv3_3层(小目标产生最多的层)，输出通道数为(N_s+4)，其中 N_s>2，而其它所有检测层的输出通道数均为（2+4），表示二分类和4个bounding box坐标。 N_s中包含了1个正样本的概率以及N_s−1个负样本概率，我们从负样本概率中选出最大值与正样本概率一起完成之后的softmax二分类。 这种看似多余的操作实际上是通过提高分类难度来加强分类能力。

结果

速度：Titan X (Pascal) 、 cuDNN v5.1、 Intel Xeon E5-2683v3@2.00GHz ：
VGA分辨率图片单GPU36 FPS，80% 的前向时间花在VGG16网络。