人脸检测之Faceboxes

1. 简介

FaceBoxes是一个足够轻量的人脸检测器，由中国科学院自动化研究所和中国科学院大学的研究者提出，旨在实现CPU下的实时人脸检测，FaceBoxes论文是《FaceBoxes: A CPU Real-time Face Detector with High Accuracy》。里面有一些思路值得大家学习，比如如何对模型进行加速处理，以及多尺度检测时检测框的密度不一致的问题~~

提到快速的人脸检测网络，MTCNN是一个绕不过去的坎。但是作者罗列了级联人脸检测器的几大不足：

1. 检测速度会受到人脸数量的影响；
2. 多阶段训练，过程复杂；
3. VGA上速度也就那样（16fps），也不是很高呀。

针对这些问题，FaceBoxes提出以下几个创新点：

1. 使用RDCL模块快速降低特征图大小，为检测速度提供了保证
2. MSCL模块使用多尺度特征图预测，解决了多尺度的问题
3. 使用anchor稠密化策略提高小脸的召回率

2. 网络结构

可以看出，这个网络与SSD网络有很多相似的地方，但是对SSD算法有了很多的改进，使其更加适应于人脸的检测！由于目标任务的改变，是人脸，也就是相对于整张图片一般为小目标，且大多数为等比例的目标，所以与通用的SSD来说，我们的anchor设置比例为1:1,且只从三个层的范围检测，预知人脸的尺度比例变化不大~

本节介绍了使facebox在CPU设备上准确和高效的三个贡献：快速消化卷积层(RDCL)、多尺度卷积层(MSCL)和anchor加密策略。最后，我们介绍了相关的训练方法。

2.1 快速消化卷积层-RDCL：Rapidly Digested Convolutional Layers

大多数基于CNN的人脸检测方法通常都受到时间开销的限制，尤其是在CPU设备上。更准确地说，当输入、卷积核和输出的大小都很大时，CPU的卷积运算是非常耗时的。我们RDCL的设计是通过适当的卷积核大小来快速缩小输入空间大小，减少输出通道的数量，使CPU设备上的facebox达到实时速度，具体如下:

• 缩小输入空间大小：快速缩小
  输入的空间大小，我们的RDCL为它的卷积和池化层设置了一系列大的步长。如图1所示，Conv1、Pool1、Conv2和Pool2的步长分别为4、2、2和2。RDCL的总步长为32，这意味着输入空间的大小减少了32倍。
• 选择合适的卷积核大小：卷积核的大小
  一个网络的前几层应该是小的，以加快速度，同时也应该足够大，以减轻空间尺寸减小带来的信息损失。如图1所示，为了保持效率和效率，我们对Conv1、Conv2和所有池层分别选择了$7\ast 7$、$5\ast 5$和$3\ast 3$个内核大小。
• 减少输出通道数量:
  我们利用C.ReLU激活函数，减少输出通道的数量。C.ReLU可以通过在应用ReLU之前将负输出连接起来，将输出通道的数量增加一倍。使用C.ReLU显著提高了速度，而精度的下降可以忽略不计。

2.2 多尺度卷积层-MSCL：Multiple Scale Convolutional Layers

该方法以RPN为基础，在多目标检测的场景中，RPN作为一种不确定类的检测器。对于单类检测任务(如人脸检测)，RPN自然是唯一相关类的检测器。然而，作为一种独立的人脸检测器，RPN无法获得具有竞争力的性能。我们认为，这种令人不满意的表现来自两个方面。首先，RPN中的anchor只与最后一个卷积层相关，该卷积层的特征和分辨率都太弱，无法处理各种大小的人脸。其次，anchor相关层负责检测一定尺度范围内的人脸，但它只有一个单一的感受野，无法匹配不同尺度的人脸。为了解决以上两个问题，我们的MSCL按照以下两个维度进行设计:

• 沿网络深度维度进行多尺度设计。

  如上图所示，我们设计的MSCL由多个层组成。这些层的尺寸逐渐减小，形成多尺度特征图。这些层是一种沿网络深度维度的多尺度设计，将anchor离散在多个分辨率不同的层上，自然处理不同大小的尺度。

• 沿网络宽度尺寸进行多尺度设计。
  为了学习不同尺度人脸的视觉模式，anchor相关层的输出特征应该对应不同大小的感受野，这可以通过Inception模块[34]轻松实现。Inception模块由多个不同卷积核的卷积分支组成。这些分支作为网络宽度维度上的多尺度设计，能够丰富感受野。如上图所示，MSCL的前三层基于Inception模块。下图说明了我们的Inception实现，这是一个性价比高的模块，可以捕捉不同尺度的人脸。
  

2.3 Anchor稠密化

类似于SSD算法，我们在不同的feature map上设置anchor box用于检测目标物体，但是对于目标拥挤的情况，我们就会发现，在网络底层设置的小anchor显然非常的稀疏！！！所以我们要对那些底层的小anchor进行一个稠密化的工作，具体就是在每个感受野的中心，也就是SSD中的anchor中心，对其进行偏移。根据其密度大小进行2 、3或4倍的稠密化工作！
anchor密度：

$A_{scale}$表示anchor的尺度，而 $A_{interval}$ 表示anchor的间隔，默认为32、32、32、64、128. 所以5中anchor的密度分别为1，2，4，4，4，显然出现了密度不均衡的情况，所以我们要对32x32的anchor进行四倍的稠密化，对64x64的anchor进行二倍的稠密化~

3. 网络训练

3.1 数据增强

每一幅训练图像都采用以下数据增强策略进行顺序处理:

• 颜色蒸馏：应用一些光度蒸馏。
• 随机裁剪： 我们从原始图像中随机裁剪五个方形补丁：一个是最大的方形补丁，其他的大小介于原始图像的短边尺寸的[0.3，1]之间。 然后我们随意选择一个补丁用于后续操作。
• 尺度变换：随机裁剪后，将选中的正方形patch调整为1024*1024。
• 水平翻转：调整大小后的图像水平翻转的概率为0:5。
• 人脸框过滤：如果人脸框的中心在上述处理过的图像中，我们保留重叠的部分，然后过滤掉这些高度或宽度小于20像素的人脸框。
• 匹配策略：在训练中，我们需要确定哪些anchor对应于一个人脸边界框。我们首先将每个人脸匹配到具有最佳jaccard重叠的锚点，然后将锚点匹配到具有高于阈值(即0.35)。
• 损失函数：我们的损失函数与faster R-CNN中的RPN相同。采用2类softmax损失进行分类，smoothL1损失进行回归。

3.2 困难负样本挖掘

在anchor匹配后，大多数anchor都是负样本，导致正样本和负样本严重不均衡。为了更快更稳定的训练，将他们按照loss值排序并选取最高的几个，保证正样本和负样本的比例最高不超过3:1.

3.3 其他实现细节

使用“xavier”方法随机初始化所有参数。我们以0:9的动量，0.0005的重量衰减和32的batch size对模型进行fine tune。迭代的最大数量是120 k,我们使用$10^{-3}$学习速率的80 k迭代,然后继续分别训练了20 k迭代学习率为$10^{-4}$和$10^{-5}$。

4. 测试

4.1 运行时间效率

基于CNN的方法一直因其运行时效率而受到指责。虽然现有的CNN人脸检测器可以通过高端gpu加速，但在大多数实际应用中，尤其是基于CPU的应用中，速度不够快。如下所述，Facebox足够高效，可以满足实际需求。
在推理过程中，我们的方法输出大量的框(如一个vga分辨率图像的8525个框))。在应用NMS之前，首先以0:05的置信度阈值过滤掉大多数框并保留前400个框，然后执行jaccard重叠为0.3的NMS并保留前200个框。使用Titan X (Pascal)和cuDNN v5.1以及Intel Xeon E5-2660v3@2:60GHz来测量速度。如下表所示，与最近基于cnn的方法相比，Facebox可以在CPU上以每秒20帧的速度运行，具有最先进的精度。

4.2 模型分析

为了更好地理解facebox，我们一个接一个地去除每个组件，以检查每个提出的组件如何影响最终性能。

• 实验一：去掉anchor稠密化策略
• 实验二：使用三个卷积层来代替MSCL，也就是使用单一的感受野
• 实验三：在RDCL中，使用ReLU来代替CReLU
  
  实验结论如下：
• Anchor加密策略至关重要： anchor加密策略用于增加小anchor的密度（即3232和6464），以提高小人脸的召回率。 从上表中，我们可以看到在消除anchor加密策略后，FDDB上的mAP从96.0％降低到94.9％。 急剧下降（即1.1％）证明了所提出的anchor加密策略的有效性。
• MSCL更好： 表2中第二列和第三列之间的比较表明MSCL有效地将mAP增加1.0％，这取决于不同的感受域和多尺度anchor平铺机制。
• RDCL是高效且准确的保留： RDCL的设计使FaceBoxes能够在CPU上实现实时速度。 如上表中所述，RDCL导致精度略微下降，但速度显着提高。 具体而言，FDDB mAP以大约19.3ms的速度改进而降低0.1％。

5. 最后