人脸检测算法总结:S3FD

S3FD是中科院自动化所的一篇文章，当时一出现就刷新了wider face榜单，比上一篇提到的SSH略高一点。这个算法主要是解决小人脸的检测问题，思路和SSD类似（之前提到的SSH也和SSD类似），多个不同的featuremap预测不同的人脸，但是没有想FPN一样，将featuremap 连接。

Introduction

S3FD算法受启发于anchor-based检测算法，通过一些预定义的anchor来分类并且回归检测目标，这些预定义的不同尺度、长宽比的anchor在feature map上密集采样可以得到目标的所有可能分布区域。anchor可以向FasterRCNN一样定义于一个feature map，也可以和SSD定义在多个feature map上，anchor的spatial size（空间位置）和stride 决定了anchor的位置和采样间隔。anchor-based检测器在复杂场景下更加鲁棒，检测速度和目标大小无关，但唯一的弱点是：目标越小，检测器的性能会急速下降。

如上图所示，anchor-based检测方法存在问题的原因

• 1人脸太小导致的特征较少
• 2人脸大小和anchor以及感受野的大小不匹配
• 3默认的离散anchor尺度，真实人脸尺度gt确是连续的，anchor对真实人脸gt的匹配度不够，造成了小人脸和非尺度范围内的人脸匹配度不高。
• 4小尺度anchor会在背景上引来过多的非人脸的干扰。

Biased framework

anchor-based检测器漏检小目标的原因如下：

• 1预定义的anchor，即使是位于最低的特征层，其stride依然过大，小尺度人脸目标依赖于这些最底层的特征，经过下采样只有，目标特征信息损失过大
• 2小尺度目标，感受野，anchor的尺度不匹配。
  为了解决上述问题，提出了scale-equitable-face detection framework。将anchor预定义于不同feature map，stride尺度从4-128pix。以确保不同尺度的人脸目标可以提取足够多的特征用于下一步检测。此外，依照有效感受野，在不同featuremap上为anchor定义尺度范围为16-512pix，并采用等比例采样方式，确保不同feature map上anchor的采样密度一致，anchor的尺度也匹配对应featuremap感受野尺度。

anchor matching s