DSFD: dual shot face detector

DSFD为CVPR2019的工作，作者提出一种双分支的人脸检测算法，网络结果如下

创新点如下：

1.一种新的特征增强模块（FEM）

该模块可看做FPN的升级版，在特征融合后使用空洞卷积捕捉多尺度表征增强感受野

对比实验发现涨点明显

2.双分支结构
DSFD为并行双预测分支组成，训练阶段两条分支都作预测，而测试阶段仅使用第二条分支（特征增强分支）。为什么使用双分支呢？作者提到可以将第一条预测分支看成是一种辅助监督，使得特征更符合人脸检测（个人理解：第一条分支可看成一种特征约束）。其中两条分支除了采用的anchor基础大小不一致以外（原特征分支anchor较小），其余均一致（包括预测方式，损失）。两条分支相关的参数如下所示

3.优化的anchor匹配
作者提到现有的anchor匹配存在一个问题，离散的anchor大小与连续的face大小不匹配。作者的解决策略为2/5概率采用anchor-based-sampling（ABS）（百度pyramid提出的数据增强手段）进行，作者相比于原ABS做了一点修改，在本文中作者随机从anchor尺度中选一个来缩放，而原ABS中先对某选定face做anchor匹配，匹配完后在更小的anchor尺度中随机挑一个尺度再缩放。个人解读：原ABS会产生更多的小face，而本文中ABS对选定face随机缩放（可能放大，可能缩小，这就达到了多尺度覆盖增强，不过也没有很好解决一开始提出的问题呀~）。对了，还有3/5概率采用SSD的数据增强手段，IOU超过0.4设置为正样本。

4.progressive anchor loss（PAL）
为什么叫PAL，我不是太理解，难道因为双分支结构？这儿没啥好说的，就是两个分支分别做预测，真的没啥好说的。

对比实验作者还是比较丰富的，可以发现FEM涨点最明显，本以为最大的亮点PAL（双分支结构）涨点倒不是很多，最后大batch size涨点很猛啊！！！

不同backbone的对比，backbone带来的变换不逊于各种tricks啊！！！炼丹玄学