人脸检测：RetinaFace和CenterFace

阿飞大魔王

已于 2022-09-12 10:35:58 修改

阅读量920

点赞数

分类专栏：人脸识别文章标签：深度学习计算机视觉机器学习

于 2021-11-18 18:37:36 首次发布

本文链接：https://blog.csdn.net/lucifer_24/article/details/121399178

版权

人脸识别专栏收录该内容

1 篇文章 0 订阅

订阅专栏

RetinaFace（2019年）

Face detection相比目标检测有以下特征：具有较小的宽高比变化（通常在1:1到1:1.5），但是尺寸变化要大得多（从几个像素到几千像素）
RetinaFace具有以下特点：

基于单阶段设计，采用多任务学习策略，同时训练人脸得分、人脸框、五五个人脸坐标，以及 3D 位置和每个面部像素到的对应关系。
在WDIER FACE上，RetinaFace优于最先进的两阶段算法ISRN1.1%（AP=91.4%）
在IJB-C数据集上，RetinaFace提高了ArcFace的精度，证明更好的人脸检测可以显著提高人脸识别结果。
RetinaFace在使用轻量级的主干网络时，可以实时对VGA分辨率（640*180）的图片进行检测。

RetinaFace的损失函数

RetinaFace损失函数

$L_{cls}$ 是二元交叉熵函数， $P_i^*$ 值为0或1，表示这个Anchor是不是人脸。
$L_{box}$ 采用Smooth L1损失函数，并且Fast RCNN的正则化方式，回归目标的xywh。
五个面部标志的回归与人脸框中心点回归方式一样，而且同样采用目标归一化。
$L_{pixel}$ 是密集回归函数，下一节详细介绍。
$\lambda_1$ - $\lambda_3$ 分别为0.25，0.1，0.01

Dense Regression Branch 密集回归分支

Mesh Decoder:《Convolutional Neural Networks on Graphs with Fast Localized Spectral Filtering》中提出的方法
为了进一步加速，RetinaFace还采用了类似于《Joint texture and shape convolutional mesh decoders》联合形状和纹理解码器的方法
2D卷机其实就是欧几里得网格内的“加权邻域和”，图卷机同样是这个概念。邻居的距离是通过计算图中连接两个顶点的最小的边数得到的。
（贴一个图神经网络的讲解连接，后面看懂再补充：https://www.zhihu.com/question/54504471）

RetinaFace的训练技巧

特征金字塔：P2-P6，其中P2-P5是ResNetC2到C5的输出，P6有C5节了一个3*3，stride=2的卷机和计算得到。C1到C5由ImageNet11k初始化得到，P6使用Xavier初始化得到
上下文模块：在五个特征金字塔层增加了上下文模块。借鉴Pyramid Box，
https://blog.csdn.net/baidu_27643275/article/details/99633209
https://zhuanlan.zhihu.com/p/41300221

CenterFace

CenterFace是个轻量级的人脸检测网络，在CPU上能够实时运行，在2080ti上能够达到200FPS。
精度方面，在WIDER FACE数据集上，Val/Test-Easy:0.935/0.932，Val/Test-Medium:0.924/0.921，Val/Test-Hard:0.875/0.873，与之相比，RetinaFace还是要高一些的：
RetinaFace在WIDER FACE上的精度
CenterFace使用MobileNet-v2和FPN，将人脸框表示为点，通过heatmap的峰值来预测中心点的位置，并且直接回归人脸尺寸和5个关键点。很类似于CenterNet的计算回归方式。GT同样是由高斯核来将离散变量变成连续，分类损失函数公式与CetnerNet相同。
同样的，CenterFace也预测offset分支以及wh分支，比CenterNet多了一个landmarks分支。首先用box的宽高将lm归一化，Landmarks损失函数同样是smoothL1.
在这里插入图片描述
CenterFace的实验分为Efficiency和Accuracy，mAP用FDDB数据集计算（ mAP means
the true positive rate at 1000 false positives on FDDB）

在FDDB上ROC精度为：

在WIDER FACE上的精度为：

虽然比不过RetinaFace，DSFD，在轻量级网络中CenterFace的精度还是很高的。感觉更适用于移动端部署。