Finding Tiny Faces in the Wild with Generative Adversarial Network 解读

这篇paper是利用对抗生成模型来检测和获取高分辨率的Tiny faces.
主要创新点有两个:
1)generator由两部分构成: 上采样网络和一个refinement 网络来生成高质量的super-resolution 图像;
2)discriminator做两件事情: 既能判别图片是真的还是假的,还能判别是不是人脸图片, 引入的分类loss可以使判别器同时做这两件事.

首先, 仔细瞧一瞧网络结构:

流程很直观:
1)先用MB-FCN Detector 把tiny faces检测出来, 当然把那些没有人脸的图片也保留一下(熟悉目标检测的童鞋应该明白, ROI的那些负样本呗)
2)把这些tiny faces和tiny non-faces送入generator(up-sampling和refinement), 生成对应的super-resolution图像;
3)discriminator来判别图片真假和是否是人脸.
注:严谨来讲,上面的叫做"流程"并不正确,因为GAN是个交替更新的迭代过程, 或者将上面的流程理解为前向传播的流程就可以啦.

然后看一下loss们:
1)pixel-wised loss:


2)adversary loss:

3)classification loss:

最后,放上论文开头的效果图:

效果好不好是可以用眼睛看出来的.