Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks

概论

用于人脸检测和对齐。

本文提出的unified cascaded CNNs by multi-task learning，包含三个阶段：

1） 利用一个浅层的CNN快速产生候选窗口

2） 利用一个更复杂的CNN排除掉大量非人脸窗口

3） 利用一个更强大的CNN进一步改善结果，并输出人脸关键点位置。

本文的贡献：

1） 提出一个新的基于CNN的级联型框架，用于联和（joint）人脸检测和对齐；还设计轻量级的CNN架构使得速度上可以达到实时。

2） 提出一个有效的online hard sample mining方法来提高表现能力

3） 在人脸检测和人脸对齐上提高了不少精度

 II. APPROACH 

A. Overall Framework

整体框架如下图：

 

 

详细流程如下：

给定一张图片，首先将该图片重新调整到不同尺度大小，得到一个图像金字塔，该图像金字塔就是后面三阶段级联结构的输入。

       阶段1：利用一个全卷积网络，称为Proposal Network (P-Net)，来获得候选窗口和它们的bounding box regression vectors，然后利用bounding box regression vectors来调整候选框。之后，利用非极大值抑制（non-maximum suppression , NMS）来合并那些高度重合的候选框。

       阶段2：第1阶段产生的所有候选框作为另一个CNN的输出，该CNN称为Refine

Network (R-Net)。该阶段的作用是利用bounding box regression和NMS进一步排除掉大量错误的候选框。

       阶段3：与第2阶段类似，但这个阶段会输出5个人脸关键点位置。

B. CNN Architectures

       针对文献【19】，主要是减少卷积核的数量和将5x5卷积核变成3x3卷积核来减少计算量，增加深度来获得更好的性能。与文献【19】对比如下：

 

 

 

本文三个阶段的网络结构如下：

 

C. Training

       利用三个任务来训练CNN检测器：人脸/非人脸 分类 ，bounding box regression 和人脸关键点定位（facial landmark localization）

1） 人脸分类器。这是一个二分类问题，对于每个样本xi，我们使用交叉熵损失：

 

 

其中，表示网络预测该样本是人脸的概率，是ground-truth label。

2） 边界框回归（Bounding box regression）。对于每个候选窗口，我们预测该候选窗口与其最近的ground truth（the bounding boxes’ left top, height, and width）的偏移。这是一个回归问题，对每个样本xi，使用欧式损失（Euclidean loss）：

 

其中，表示从网络中获得目标的坐标，表示ground-truth坐标。有4个坐标，包括左上角x，y坐标，高度和宽度，因此

3） Facial landmark localization。与Bounding box regression相似，损失函数如下：

 

其中，是网络预测的人脸关键点的坐标，是ground-truth坐标。有5个人脸关键点，包括左眼，右眼，鼻子，嘴边左边角，嘴巴右边角，因此

4） Multi-source training。由于在每个CNN网络中，我们使用了不同的任务，因此，在学习阶段有不同种类的训练图像，比如人脸，非人脸，部分对齐的人脸。在这种情况下，一些损失函数（公式1-3）用不到。比如说，对于背景区域图片，我们只计算，另外两个loss都设为0。整体的学习目标如下：

 

其中，N表示训练样本的数量，表示任务的重要性。在P-Net和R-Net中，；在O-Net中，。is the sample type indicator，比如说，对于背景样本，我们只计算，另外两个loss都设为0，即此时。

              在这种情况下，使用SGD来训练网络。

5） Online Hard sample mining。与传统的hard sample mining after original classifier had been trained不同，我们在人脸分类中采用在线的hard sample mining来自适应训练。

在每个mini-batch中，我们从所有样本的前向传播中将计算得到的loss排序，然后只取其中loss最高的前70%作为hard samples。然后在反向传播（BP）中只计算这些hard samples，忽略那些简单的样本。

 

III. EXPERIMENTS

A. Training Data

       由于我们共同完成人脸检测和对齐，因此我们在训练阶段使用4中不同类型的数据标注。1）Negatives：与任何ground-truth人脸的IoU（Intersection-over-Union）小于0.3；2）Positives：与ground-truth人脸的IoU大于0.65；3）Part faces：IoU在0.4和0.65之间；4）Landmark faces：标注了5个人脸关键点位置的人脸。

Negatives和positives用于人脸的分类任务，positives和part faces用于bounding box regression，landmark faces用于facial landmark localization。每个网络的训练数据如下：

1）P-Net。从WIDER FACE [24]数据集中随机裁剪出若干的patch来产生positives, negatives and part face。从CelebA [23]数据集中裁剪人脸作为landmark faces。

2）R-Net。使用第一阶段过滤后的图像。

3）O-Net。使用前两个阶段过滤后的图像。

B. The effectiveness of online hard sample mining

       使用两个O-Net（一个有online hard sample mining，另一个没有）来评估online hard sample mining的有效性。这里只实验了分类任务。两个网络的初始化参数是一样的，学习率固定。两个网络的Loss如Fig3：

C. The effectiveness of joint detection and alignment

       为了评估 联合人脸分类与对齐 的有效性，我们评估了两个不同的O-Net（一个联合了人脸对齐，另一个没有），（两个网络P-Net和R-Net是一样的）。我们也比较了bounding box regression在这两个O-Net中的表现能力。结果如Fig3所示。

 

 

与其他模型的比较：

 

运行速度

       16fps，2.60GHz CPU

       99fps，GPU (Nvidia Titan Black)

 

注：文献19是：H. Li, Z. Lin, X. Shen, J. Brandt, and G. Hua, “A convolutional neural
network cascade for face detection,” in IEEE Conference on Computer
Vision and Pattern Recognition, 2015, pp. 5325-5334.