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 F F 和 C C C,则AutoFA基本单元可以表示为
C i = f p o s t ( β 0 F i + β 1 f p r e ( ∑ j < i α j f r e ( C j ) ) C_i=f_{post}(\beta_0F_i+\beta_1f_{pre}(\sum_{j<i}\alpha_jf_{re}(C_j)) Ci=fpost(β0