MTCNN 论文解读

预备知识

难度系数：2 颗星

缘起

所有的论文一脉相承，灵感来自于

1. Joint cascade face detection and alignment
2. Improving multiview face detection with mul-ti-task deep convolutional neural networks
3. A convolutional neural network cascade for face detection,

现状

人脸检测和人脸对齐是人脸应用（人脸识别，人脸表情分析）的基础

现在人脸检测问题：

传统方法：

1. [2]在现实应用性能严重降低
2. DPM 的方法([5],[6],[7])需要大量的标签

深度学习方法：

1. [11]时间开销很大
2. [19] 额外的计算和忽略的 facial landmark location 和 bounding box regression

人脸对齐的问题

1. [20] 方法和本文一样，但是人脸检测太烂了。
2. [18] 随机森林，手工特征限制了性能

提出问题

1. 已有的方法没有考虑人脸检测和对齐的内在关系，虽然有考虑该方面考虑的，做的也不好，因此作者尝试解决该问题。
2. Ming hard sample 对人脸检测非常关键，但是传统 mining hard sample 必须是离线的，因此作者提出了 online hard sample mining

理论基础

1. coarse-to-fine 的策略：第一步通过浅层的 CNN 选出候选窗口；第二步用更复杂的 CNN 过滤掉没有脸部的窗口；第三步用更强大的 CNN 调优结果。
2. online hard sample mining：每个 mini-batch，对 loss 排序，取前 70% 作为 hard sample，
   已有

架构亮点

已有的人脸识别的 CNN 架构的缺点

1. 一些卷积层过滤器的大小缺少多样化，用图像金字塔(pyramid)
2. 相比与其他多分类物体检测和分类任务，人脸检测是二分类问题，因此，需要更少的卷积核。因此，将卷积核由 5 \times 5 变为 3 \times 3 并增加深度。

人脸分类

$L_i^{det} = -y_i^{det} log(p_i) + (1-y_i^{det})(1-log(p_i))$

其中

1. 输入： $x_i$
2. 预测： $p_i$
3. groundtruth label ：$y_i^{det}$

边框回归（bounding box regression）

$L_i^{box} = ||\hat y_i^{box} - y_i^{box}||^2$

其中

1. $\hat y_i^{box}$：预测值边框
2. $y_i^{box}$：真值框（groundtrue box）
3. y 值为 (y, x , h, w) 其中 y, x 为左上角坐标

人脸 Landmark 定位(facial landmark localization)

$L_i = || \hat y^{landmark}_i - y_i^{landmark}||$

其中

1. $\hat y^{landmark}_i$：预测值
2. $y_i^{landmark}$: 真值
3. 包括，左眼，右眼，鼻子，左嘴角，右嘴角 5 个点。 $y_i^{landmark} \in R^{10}$

多源训练

由于采用了多源的训练（multi source training）方式，训练过程中，采用了不同的训练图片，比如包含人脸的，不包含人脸的，部分对齐的等等。上面的损失函数公式并不是都采用，比如，对于背景区域的采样，只用了 L_i^{det}，因此，整个学习目标用下面公式表示：

$min \sum_{i=1}^N \sum_{j \in {det, box, landmark}} \alpha_j \beta_i^j L_i^j$

其中

1. $\alpha_j$ 为任务的重要程度
2. $\beta_{i}^{j}$ 为 {0，1} 的指示器(idicator)

其中

在 P-Net 和 R-Net 中 \alpha_{det} = 1, \alpha_{box} = 0.5，\alpha_{\text{landmark}} = 0.5；

在 O-Net 中 \alpha_{det} = 1, \alpha_{box} = 0.5，\alpha_{\text{landmark}} = 1.0

OHSM(online hard sample mining)

1. 在前向传播中，对于全部的样本，根据 loss 进行由大到小进行排序，选择前 70%
2. 在反向传播中，只对这前 70% 的样本进行反向传播，这样，忽略了对检测更有帮助的 easy example，加强了对检测更有帮助的 hard example 的惩罚。

训练

算法

将输入图片 resize 到不同的大小

1. P-Net(Proposal Net) ：获取候选脸部窗口和边界框回归向量 (bounding box regression vector)，用边界框回归向量(bounding box regression vector)校准候选脸部窗口。之后 NMS 合并窗口。
2. R-Net(Refinement Net)：继续过滤大量的 false candidate，用边界框回归(bounding box regression)校准候选脸部窗口。之后 NMS 合并窗口。
3. O-Net(Output Net) ：同步骤2，但是输出 five facial landmark’s position

Positive : 与真值人脸(groundtrue face) 的 IoU > 0.65 来自 WIDER FACE

Negative : 与真值人脸(groundtrue face) 的 IoU < 0.3 来自 WIDER FACE

Part faces : 与真值人脸(groundtrue face) 的 IoU 0.4-0.65 来自 WIDER FACE

Landmark face: 5 个 landmark 来自 CelebA

negative/positive/part faces/landmark = 3:1:1:2

negative 和 positive 用于人脸分类

positive 和 part faces 用于边框回归

landmark face 用于 facial landmark localization

测试

在 FDDB 和 WIDER FACE 上测试人脸检测

AFLW 上测试人脸对齐

结果

1. 比较 PNet 有与没有 OHEM 的区别，获得 1.5% 的提高。
2. 比较 ONet 有与没有联合人脸检测和人脸对齐，联合人脸检测和人脸对齐获得更好的性能。
3. 99 FPS

人脸检测

1. TP/FP 在 FDDB 数据集上
2. Easy Set，Mudium Set, Hard Set 都在 WIDER FACE 数据集

人脸对齐

总结

作者的方法总结起来就是

1. 三阶段的级联（cascaded）架构
2. coarse-to-fine 的方式
3. new online hard sample mining 策略
4. 同时进行人脸检测和人脸对齐
5. state-of-the-art 性能

的确，在后续的很多人脸识别论文中，都以 MTCNN 为基础，这是后话。