人脸方向学习（十）：Face Detection-MobileNet_SSD解读

整理的人脸系列学习经验：包括人脸检测、人脸关键点检测、人脸优选、人脸对齐、人脸特征提取五个过程总结，有需要的可以参考，仅供学习，请勿盗用。https://blog.csdn.net/TheDayIn_CSDN/article/details/93199307

MobileNet_SSD解读

论文地址：https://arxiv.org/pdf/1704.04861.pdf

Mobilenet地址：https://github.com/shicai/MobileNet-Caffe

MobileNet_SSD地址：https://github.com/chuanqi305/MobileNet-SSD

思路

做人脸检测和红外人脸检测方案时，准备训练SSD人脸检测模型，采用chuanqi305里面的代码，从XML生成LMDB数据并训练检测模型，效果还可以，在移动端设备上300ms左右耗时。下面是网络以及调用mobilenetv2网络结构介绍，后续给出实验数据。

一、论文简介

mobileNets是为移动和嵌入式设备提出的高效模型。MobileNets基于流线型架构(streamlined)，使用深度可分离卷积(depthwise separable convolutions,即Xception变体结构)来构建轻量级深度神经网络。论文介绍了两个简单的全局超参数，可有效的在延迟和准确率之间做折中。这些超参数允许我们依据约束条件选择合适大小的模型。论文测试在多个参数量下做了广泛的实验，并在ImageNet分类任务上与其他先进模型做了对比，显示了强大的性能。

1、mobilenet主要是为了适用于移动端而提出的一种轻量级深度网络模型。

主要使用了深度可分离卷积Depthwise Separable Convolution将标准卷积核进行分解计算，减少了计算量 。

2、引入了两个超参数来减少参数量和计算量

     宽度乘数α主要用于减少channels,即即输入层的channels个数M，变成αM，输出层的channels个数N变成了αN， 所以引入宽度乘数后的总的计算量是：

 

分辨率乘数ρ主要用于降低图片的分辨率，即作用在feature map 上 ，所以引入分辨率乘数后的总的计算量为：

3、标准卷积核相比计算量比率

4、深度可分离卷积是将一个标准的卷积核分成深度卷积核和1x1的点卷积核。

5、mobilenet共28层（深度卷积和点卷积单独算一层），每层后边都跟有batchnorm层 和relu层 。

6、网络结构

7、网络结构可视化

1）conv13是骨干网络的最后一层，作者仿照VGG-SSD的结构，在Mobilenet的conv13后面添加了8个卷积层，然后总共抽取6层用作检测。 提取默认框的6层为conv11, conv13, conv14_2, conv15_2, conv16_2, conv17_2，该6层feature map 每个cell产生的默认框个数分别为3，6，6，6，6，6。也就是说在那6层的后边接的用于坐标回归的3*3的卷积核（层名为conv11_mbox_loc……）的输出个数（num output）分别为12，24，24，24，24，24，24。

2）conv11_mbox_conf后面那6层后边接的用于类别得分的3*3卷积核（层名为conv11_mbox_conf……）的输出个数为3*21（类别为21类，3个默认框） = 63，126， 126， 126， 126， 126。这里假如是人脸加测，则为2类。

3）输出

mbox_loc：回归出的人脸框位置

mbox_loss：分类回归总的loss函数

mbox_conf：人脸分类置信度

mbox_priorbox：NMS过滤最大人脸框。

8、实验结果

1）因子

table4：使用深度分类卷积的MobileNet与使用标准卷积的MobileNet之间对比

table5：将MobileNet中的5层14×14×512的深度可分离卷积去除实验结果对比

table6：单个宽度因子对计算精度的影响

table7：分辨率因子对计算精度的影响

2）性能对比

table8：将完整的MobileNet与原始的GoogleNet和VGG16对比，MobileNet与VGG16有相似的精度，参数量和计算量减少了2个数量级。

table9：MobileNet的宽度因子α=0.5，分辨率设置为160×160的缩小模型与其他模型对比结果，相比于AlexNet在计算量和参数量上都降低一个数量级，对比同为小型网络的Squeezenet，计算量少了2个数量级，在参数量类似的情况下，精度高了3%。

table10：Stanford Dogs dataset的表现，MobileNet在计算量和参数量降低一个数量级的同时几乎保持相同的精度。

table11：PlaNet是做大规模地理分类任务，我们使用MobileNet的框架重新设计了PlaNet，基于Inception V3架构的PlaNet有5200万参数和574亿的mult-adds，而基于MobileNet的PlaNet只有1300万参数(300个是主体参数，1000万是最后分类层参数)和58万的mult-adds，相比之下，只是性能稍微受损，但还是比原Im2GPS效果好多了。

9、相关资源

Mobilenet-SSD的Caffe系列实现
https://blog.csdn.net/jesse_mx/article/details/78680055

caffe-MobileNet-ssd环境搭建及训练自己的数据集模型
https://blog.csdn.net/cs_fang_dn/article/details/78790790

用caffe-ssd框架MobileNet网络训练自己的数据集
https://blog.csdn.net/renhanchi/article/details/78423343

基于ubuntu14.04的Mobilenet_SSD环境搭建
https://blog.csdn.net/chenjiehua123456789/article/details/78683551

caffe-MobileNet-ssd环境搭建及训练自己的数据集模型
https://blog.csdn.net/cs_fang_dn/article/details/78790790

树莓派3B+英特尔神经计算棒进行高速目标检测
https://cloud.tencent.com/developer/article/1079212

深度学习 + OpenCV，Python实现实时目标检测
https://www.aliyun.com/jiaocheng/516658.html

github资源：

Caffe for SSD：https://github.com/weiliu89/caffe/tree/ssd

MobileNet-SSD：https://github.com/chuanqi305/MobileNet-SSD