[论文笔记] ASFD 阅读笔记

ASFD: Automatic and Scalable Face Detector（Arxiv 2022）

论文链接：论文链接
代码链接：未开源

动机

• 问题：传统特征融合与增强模块（FAE）性能由于COCO和WIDER数据集在域上的差异，因此在人脸识别方面表现的性能不佳
• 贡献：
  • 从本质上分析了数据分布的影响
  • 提出了一个differentiable的AutoFAE模块用于人脸检测
• 简要分析：
  
  • Fig.2(a)是对 传统FAE模块 的定量分析，将它们应用于人脸域时性能显著下降
  • Fig.2(b)和(c )，WIDER数据集中人脸的尺度小、单张图片中目标多；
  • 所以设计人脸检测器有以下原则：使用浅层特征、NMS前后保留更多结果

解决方案

问题分析

下面会讲到两个问题：

• FA模块中不合理的连接会导致性能下降，
• 不同层的特征应该通过不同的操作来增强

Feature Aggregation（FA）

• FA的结论：
  • 自顶向下的特征融合可以取得比自底向上更好的效果
  • 相近层的特征融合比远的层的融合效果好，如P7融合到P2时效果甚至会下降

Feature Enhancement（FE）

• FE的结论：
  • ASPP、CPM、RFB使用膨胀卷积，它们的实验结果相似，都会破坏浅层特征，导致浅层严重的性能下降
  • RFE使用矩形感受野来丰富特征，在所有层上都表现较好
  • 浅层特征喜欢多样化的感受野（矩形感受野），深层特征喜欢大感受野（膨胀卷积）

方法

AutoFA

• 假设一个金字塔特征和对应的聚合特征分别为 $F$ 和 $C$，则AutoFA基本单元可以表示为
  $$C_i=f_{post}({\beta }_0$$