retinaface代码讲解_RetinaFace论文阅读笔记，简要总结

RetinaFace: Single-stageDenseFaceLocalisationintheWild

retinaface是一个鲁棒性较强的单阶段人脸检测器，比较突出的工作是加入了 extra-supervised 和 self-supervised ；

大部分人脸检测重点关注人脸分类和人脸框定位这两部分，retinaface加入了face landmark 回归( five facial landmarks)以及dense face regression(主要是3d相关);

加入的任务如下图所示：

retinaface结构特点主要以下几点：

feature pyramid，采用特征金字塔提取多尺度特征, (to increase the receptive field and enhance the rigid context modelling power)

single-stage，单阶段，快捷高效，用mobile-net时在arm上可以实时

Context Modelling， (to increase the receptive field and enhance the rigid context modelling power)

Multi-task Learning ，额外监督信息

结构图如下：

loss函数设计：Multi-taskLoss

第一部分是分类Loss, 第二部分是人脸框回归Loss,  第三部分是人脸关键点回归loss，第四部分是dense regression loss;

在实现的时候，还有些细节。

1.使用可行变卷积代替lateral connections和context modules中的3*3卷积 (further strengthens the non-rigid context modelling capacity)；

2.anchor的设置，fpn每层输出对应不同的anchor尺寸。

3.Extra Annotations，数据集部分做额外的标注信息

3.1定义了五个等级的人脸质量，根据清晰度检测难度定义；

3.2定义人脸关键点。

结果：

在WIDER FACE dataset上，96.9% (Easy), 96.1% (Medium) and 91.8% (Hard) for validation set, and 96.3% (Easy), 95.6% (Medium) and 91.4% (Hard) for test set.

速度：

表格里面单位ms；轻量级网轻松达到实时检测。

主网络结构代码：

importtorchimporttorch.nn as nnimporttorchvision.models.detection.backbone_utils as backbone_utilsimporttorchvision.models._utils as _utilsimporttorch.nn.functional as Ffrom collections importOrderedDictfrom models.net importMobileNetV1 as MobileNetV1from models.net importFPN as FPNfrom models.net importSSH as SSHclassClassHead(nn.Module):def __init__(self,inchannels=512,num_anchors=3):

super(ClassHead,self).__init__()

self.num_anchors=num_anchor