FaceBoxes: A CPU Real-time Face Detector with High Accuracy

FaceBoxes: A CPU Real-time Face Detector with High Accuracy

FaceBoxes:一款高精度的CPU实时人脸检测器

      Rapidly Digested Convolutional Layers (RDCL)，Multiple Scale Convolutional Layers (MSCL)模块，anchor密集策略。

Rapidly Digested Convolutional Layers (RDCL)

        学习到的卷积核存在冗余。

       底层卷积时卷积核存在负相关，也就是说假设我们本来使用10个卷积核，但是现在只需要用5个卷积核，另外5个卷积核的结果可以通过负相关得到。结果表明使用C.ReLU加速的同时也没损失精度。

Multiple Scale Convolutional Layers (MSCL)模块

      MSCL在多个上尺度进行回归和分类，在不同尺度下检测不同大小的人脸，能够大大提高检测的召回率。

      深度：在MSCL模块中，随着网络的加深，便得到不同大小的特征映射(多尺度特征)。在不同大小特征映射中设置不同大小的anchor，有利于检测不同大小的人脸。

       宽度：Inception由多个不同核大小的卷积分支组成。在这些分支中，不同的网络宽度，也有不同大小的特征映射。使用inception结构，由于Inception包含多个不同的卷积分支，有利用检测不同大小的人脸因此可以进一步使得感受野多样化。

anchor密集策略

anchor密度；anchor尺度大小； anchor间隔。

	尺度大小	间隔	密度
Inception3	32,64,128	32	1,2,4
Conv3_2	256	64	4
Conv4_2	512	128	4

         不同尺度的anchor之间存在密度不平衡的问题，导致小尺度的人脸召回率比较低，为了改善小anchor的密度，本文提出anchor密度策略。为了使anchor密集n倍，作者均匀地将个anchor铺在感受野的中心附近，而不是铺在中心。

       将32x32的anchor密集4倍，64x64的anchor密集两倍，以保证不同尺度的anchor有相同的密度。