人脸检测模型faceboxes中的感受野与anchor问题

在人脸检测模型中，MTCNN和faceboxes检测精度高且检测速度快，因此是实际工程中常用的两个模型。

论文链接：http://cn.arxiv.org/pdf/1708.05234v4

论文中最关键的一张图：

关于faceboxes，网上已有不少优质的文章进行了详细说明，可自行搜索。本文主要介绍我在阅读这些文章后仍然觉得比较费解的两个问题：感受野、anchor。

如上图所示，Inception3、Conv3_2、Conv4_2三个层各有七个感受野，一直很奇怪怎么计算得到的，直到看到这篇文章：https://www.jianshu.com/p/cd76d16cbc46。

关于anchor，可参考原文关于Anchor densification strateg的解释。如果看了原文解释还不理解，可以结合开源代码来看，开源链接为：https://github.com/zisianw/FaceBoxes.PyTorch

其中prior_box.py的定义如下，我添加了相关注释：

class PriorBox(object):
    def __init__(self, cfg, image_size=None, phase='train'):
        super(PriorBox, self).__init__()
        #self.aspect_ratios = cfg['aspect_ratios']
        self.min_sizes = cfg['min_sizes'] # [[32,64,128],[256],[512]]
        self.steps = cfg['steps']         # [32,64,128]
        self.clip = cfg['clip']           # False
        self.image_size = image_size      # [1024,1024]
        self.feature_maps = [[ceil(self.image_size[0]/step), ceil(self.image_size[1]/step)] for step in self.steps]

    def forward(self):
        anchors = []
        for k, f in enumerate(self.feature_maps): # feature_maps: [[32,32],[16,16],[8,8]]
            # k=0,f=[32,32]
            # k=1,f=[16,16]
            # k=2,f=[8,8]
            min_sizes = self.min_sizes[k]
            # k=0,min_sizes=[32,64,128]
            # k=1,min_sizes=[256]
            # k=2,min_sizes=[512]
            for i, j in product(range(f[0]), range(f[1])):
                # 以k=2,f=[8,8],min_sizes=[512]为例
                # i,j的取值,笛卡尔积
                # (0,0),(0,1),(0,2),(0,3),(0,4),(0,5),(0,6),(0,7)
                # (1,0),(1,1),(1,2),(1,3),(1,4),(1,5),(1,6),(1,7)
                # ......
                # (7,0),(7,1),(7,2),(7,3),(7,4),(7,5),(7,6),(7,7)
                for min_size in min_sizes:
                    # min_size=512
                    s_kx = min_size / self.image_size[1]
                    s_ky = min_size / self.image_size[0]
                    if min_size == 32:
                        dense_cx = [x*self.steps[k]/self.image_size[1] for x in [j+0, j+0.25, j+0.5, j+0.75]]
                        dense_cy = [y*self.steps[k]/self.image_size[0] for y in [i+0, i+0.25, i+0.5, i+0.75]]
                        for cy, cx in product(dense_cy, dense_cx):
                            anchors += [cx, cy, s_kx, s_ky]
                    elif min_size == 64:
                        dense_cx = [x*self.steps[k]/self.image_size[1] for x in [j+0, j+0.5]]
                        dense_cy = [y*self.steps[k]/self.image_size[0] for y in [i+0, i+0.5]]
                        for cy, cx in product(dense_cy, dense_cx):
                            anchors += [cx, cy, s_kx, s_ky]
                    else:
                        cx = (j + 0.5) * self.steps[k] / self.image_size[1]
                        cy = (i + 0.5) * self.steps[k] / self.image_size[0]
                        # cx,cy的取值,笛卡尔积
                        # (0.5,0.5),(0.5,1.5),(0.5,2.5),(0.5,3.5),(0.5,4.5),(0.5,5.5),(0.5,6.5),(0.5,7.5)
                        # (1.5,0.5),(1.5,1.5),(1.5,2.5),(1.5,3.5),(1.5,4.5),(1.5,5.5),(1.5,6.5),(1.5,7.5)
                        # ......
                        # (7.5,0.5),(7.5,1.5),(7.5,2.5),(7.5,3.5),(7.5,4.5),(7.5,5.5),(7.5,6.5),(7.5,7.5)
                        anchors += [cx, cy, s_kx, s_ky]
        # back to torch land
        output = torch.Tensor(anchors).view(-1, 4)
        if self.clip:
            output.clamp_(max=1, min=0)
        return output

谈谈我对Anchor尺寸的理解：三个分支输出的feature的大小分别为32*32、16*16、8*8，则对应到输入1024*1024的尺寸，两点间的距离（step）为32、64、128，若是直接以step为anchor大小，最大的anchor尺寸才128*128，大脸的漏检率会很高，因此将基准anchor的大小设为step*4即：128*128、256*256、512*512。同时，为了保证小脸的检测率，对于最小的anchor又增加了64*64及32*32两个尺寸，且分别采用2倍和4倍的anchor densification strategy，所以，最后形成的anchor尺寸为[[32,64,128],[256],[512]]。