【MTCNN】- 论文笔记

【MTCNN】- 原理

人脸识别系统

1. 人脸检测

2. 人脸对齐（Face Alignment）

   需要检测人脸中的关键点（Landmark）
   

1.MTCNN

可以做到实时的检测

将原始图像缩放到不同尺度，形成图像金字塔

1.P-Net

P-Net 输入（12,12,3）

判断这个输入的图像中是否有人脸，并且给出人脸框关键点的位置

输出3部分组成

1. face classification ——输出向量的形状为1x1x2，也就是两个值，分别为该图像是人脸的概率，以及该图像不是人脸的概率。这两个值加起来严格等于1。之所以使用两个值来表示，是为了方便定义交叉损失
2. bounding box regression——给出框的位置，一般称之为框回归。P-Net输入的12x12的图像块可能并不是完美的人脸框的位置，如有的时候人脸并不正好为方形，有的时候12x12的图像块可能偏左或偏右，因此需要输出当前框位置相对于完美的人脸框位置的偏移。这个偏移由四个变量组成。一般地， 对于圄=图像中的框，可以用四个数来表示它的位置：框左上角的横坐标、框左上角的纵坐标、框的宽度、框的高度。因此，框回归输出的值是： 框左上角的横坐标的相对偏移、框左上角的纵坐标的相对偏移、框的宽度的误差、框的高度的误差。输出向量的形状就是图中的1x1x4。
3. Facial lanmark localization——5 个关键点分别为：左眼的位置、右眼的位置、鼻子的位置、左嘴角的位置、右嘴角的位置。每个关键点又需要横坐标和纵坐标两维来表示，因此输出一共是10维（即1x1x10）

2.R-Net

R-Net输入（24,24,3）

也就是说，R-Net 判断 24×24×3的图像中是否有人脸，以及预测关键点的位置。R-Net的输出和
P-Net 完全一样，同样由人脸判别、框回归、关键点位置预测三部分组成

在实际应用中，对每个P-Net输出可能为人脸的区域都缩放到24x24的大小，再输入到R-Net中，进行进一步判定，R-Net消除了P-Net中很多误判的情况

3.O-Net

进一步把所得到的区域缩放成48×48的大小，输入到最后的0-Net中， 0-Net的结构同样与P-Net类似，不同点在于它的输入是48×48×3的图像，网络的通道数和层数也更多了

4.网络说明

P-Net、R-Net，O-Net，网络输入的图片越来越大，卷积层的通道数越来越多，内部的层数也越来越多，P-Net运行速度最快,O-Net运行很慢

• 之所以要使用三个网络，是因为如果一开始直接对图中的每个区域使用O-Net，速度会很慢，实践上P-Net先做一遍过滤将过滤后的结果再交给R-Net进行过滤，最后将过滤后的结果交给效果最好但速度较慢的O-Net进行判别。这样在每一步都提前减少了需要判别的数量，有效降低了处理时间。

• MTCNN的损失定义和训练过程

  1. 人脸判别部分，直接使用交叉熵
  2. 针对框回归和关键点判定，直接使用L2损失
  3. 最后这三部分损失各自乘以自身权重再加起来

  在训练P-Net和R-Net时，更关心框位置的准确性，而较少关注关键点判定的损失

2.论文笔记

I. I NTRODUCTION

本文的主要贡献

1. 提出了一种新的人脸检测与对齐级联CNNs框架
2. 提出了一种有效的在线难样本挖掘
3. 性能提高

【2】C-Training

利用三项任务来训练CNN detectors

1. face/non-face classification
2. boundig box regression
3. facial landmark localization

【1】face/non-face classification :学习目标被制定为二分类问题，对每个样本$x_i$，我们使用交叉熵损失
$$L_i^{det}=-\left(y_i^{det}\log \left(p_i\right)+\left(1-y_i^{det}\right)\left(1-\log \left(p_i\right)\right)\right)$$

$p_i$网络输出

$y_i^{det}$真实标签

【2】Bounding box regression:学习目标被限制为回归问题
$$L_i^{box}={\Vert {\hat{y}}_i^{box}-y_i^{box}\Vert }_2^2$$

${\hat{y}}_i^{box}$网络输出

$y_i^{box}$ the nearest ground truth

【3】Facial landmark localization:回归任务
$$L_i^{landmark}={\Vert {\hat{y}}_i^{landmark}-y_i^{landmark}\Vert }_2^2$$
【4】有5个面部标志（左眼，右眼，鼻子，左嘴角，右嘴角）
min ⁡ ∑ i = 1 N ∑ j ∈ { d e t , b o x , landmark } α j β i j L i j \min \sum_{i=1}^{N} \sum_{j \in\{d e t, b o x, \text {landmark}\}} \alpha_{j} \beta_{i}^{j} L_{i}^{j} mini=1∑N​j∈{det,box,landmark}∑​αj​βij​Lij​

N—训练样本

$a_j$ — 任务重要性

P-Net和R-Net中使用$(a_{del}=1,a_{box}=0.5,a_{landmark}=0.5)$

O-Net中使用$(a_{del}=1,a_{box}=0.5,a_{landmark}=1)$

β i j ∈ { 0 , 1 } \beta_{i}^{j} \in\{0,1\} βij​∈{0,1}样本类型指示器

【5】Online Hard sample mining

与原始分类器训练后进行传统难样本挖掘不同，我们在面部/非面部分类任务中进行online hard sample mining

• 在每个mini-batch，我们将来自所有样本的前向传播中计算的损失进行排序，并选择其中前70％作为难样本。 然后我们只计算后向传播中这些难样本的梯度。 这意味着我们忽略了在训练期间不太有助于加强探测器的简单样本

参考

1. 学习笔记：人脸检测和人脸识别
2. MTCNN算法与代码理解—人脸检测和人脸对齐联合学习