UnitBox（DATASET：FDDB，人脸检测）

一、UnitBox（DATASET：FDDB，人脸检测）

Abstract

传统的目标框含有四个独立的坐标变量，丢失了相互之间的信息，导致AP下降

Unit Box 提出了一种新的 IoU 损失函数，将四个变量作为一个整体预测

Introuductin

过分割方法计算量大

Faster RCnn 依赖于预先设计好的anchor，对小目标无能为力

DenseBox 不能对目标框四个变量进行联合预测，需要在图像金字塔上预测，效率低

本文提出UnitBox，使用全卷积网络，精度更高，速度更快

Iou Loss Layer & L2 Loss layer

L2 Loss

L2 将坐标信息作为独立变量预测，违背了坐标信息之间是高度相关的事实，其次，L2 没有归一化，所以对小的值不敏感，如果使用图像金字塔会降低效率

noval IOU Loss

[外链图片转存失败(img-UEAhPKdM-1567866004361)(C:\Users\Administrator\AppData\Roaming\Typora\typora-user-images\1560999166259.png)]

NETWORK

基于VGG16 ， 移除最后的FC网络换成两个全卷积网络进行回归和分类

训练时有三个输入：原图，置信度热图，边界框热图

• 分类分支：VGG16 stage -4 末尾 + conv(512 * 3 * 3 * 1) + upsample layer (上采样到原图大小) + crop layer(将特征图定位到原图的位置) ，得到单通道的，与原图大小相同的特征图，使用sigmod交叉熵损失在其上生成置信热图
• 回归分支：VGG16 stage-5 末尾 + conv(512 * 3 * 3 * 4) + upsample layer (上采样到原图大小) + crop layer(将特征图定位到原图的位置) ，此外加入ReLU layer 使得输出非负。预测出的边界框坐标被IoU Loss联合优化。
• 回归分支在stage5 因为边界框预测需要更大的感受野。
• 只用了一层卷积层来输出边界框预测，提高了效率
• 在阈值化处理后的置信度热图上用椭圆来拟合人脸

EXPERIMENTS

Effectiveness of IoU Loss

IOU Loss 比 L2 Loss 收敛更快，精度更高，对多尺度的检测效果鲁棒性更好。速度快，12FPS

Performance of UnitBox

state of the art