[论文笔记] SCRFD 阅读笔记

Sample and Computation Redistribution for Efficient Face Detection (Arxiv 2021)

论文链接：论文链接
论文主页：论文主页
代码链接：代码链接

动机

• 大部分的人脸检测算法都缺乏高效性，运行速度非常慢，或者准确率不够高

解决方案

• 两个方法：

  • 样本再分配（SR），它根据基准数据集的统计数据为最需要的阶段增加训练样本
  • 计算再分配 (CR)，使用搜索方法在模型的backbone、neck和head之间重新分配计算资源

• 样本再分配（SR）

  • WIDERFace 中的图片长边固定为 640p 时，大部分 easy 的人脸大于 32×32，大多数 medium 人脸大于 16×16，而在 hard 人脸中，78.93% 的人脸小于32×32，51.85% 的人脸小于16×16，13.36% 的人脸小于8×8；因此如果想要提升 hard 难度的人脸检测率，那么需要在小目标检测上下功夫
    

  • 传统 crop 数据增强方法使用 [0.3,1.0] 的随机大小对原始图片进行裁剪，再缩放至所需大小进行训练；SR采用的是 [0.3,2.0] 的大裁剪策略。使用大裁剪策略后，小人脸（<32×32）的数量明显增加，能显著提升小目标检测的效率。
    

• 计算再分配（CR）

  • 人脸检测器的自由度：

    • backbone stem，三个3×3卷积层，输出通道为 w 0 w_0