概述
FaceBoxes是SSD类的检测器，为人脸检测做了相应优化和修改。即使放在今年（2019）也是SOTA级的存在。
(本来打算把SSH、S3FD也一起总结了，但是最近时间比较紧张，先放FaceBoxes，另外两个后续再补)
借用《人脸检测背景介绍和发展现状》里的一张图：
FaceBoxes
FaceBoxes是一个快速的人脸检测器。论文里贴的速度是VGA分辨率(640×480)在CPU上20fps。比MTCNN的速度略快。
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。
那么速度够快、速度不受人脸数量影响、端到端训练的人脸检测器哪里有呢？等灯登登，就是今天推出的这款FaceBoxes…
整体网络结构
FaceBoxes的创新点主要有三：
- 使用RDCL模块快速降低特征图大小，为检测速度提供了保证
- MSCL模块使用多尺度特征图预测，解决了多尺度的问题
- 使用anchor稠密化策略提高小脸的召回率
网络结构主要分RDCL和MSCL这两部分。
Rapidly Digested Convolutional Layers (简称RDCL)
翻译应该叫‘快速消化卷积层’。这个模块主要为了快速的将原图32倍下采样。共4个卷积层，步长分别是4、2、2、2。
RDCL快速的技巧有以下几个：
- 合理的搭配卷积核大小和步长。第一层卷积核是7x7的，步长为4，一次性就进行了卷积和4倍下采样，连池化都省了。后续的卷积都是步长为2，卷积的同时进行下采样。
- 用CRELU在很小的代价下使通道数增加一倍。CRELU的原始论文发现网络早期的卷积核往往是负相关的（也就是说有一半得到的值是另一半的负数），有很大冗余，那还计算那么多干啥，将卷积核数减半然后直接取负拼接起来不就行了吗。
作者在RDCL里用了两次CRELU，RELU的方式很简单，就是和-1相乘然后拼接：
我这里有个疑问，论文里作者说第一层用7x7是为了保持效率和效果的平衡，但是并没有对比实验。两层3x3_s2和一层7x7_s4下采样效果一样，但是计算量更少，作者没有对比这两种结构对最终效果的点数有多少影响。
Multiple Scale Convolutional Layers (简称MSCL)
翻译应该叫‘多尺度卷积层’。类似SSD的最后阶段，利用不同大小的特征图预测人脸位置，解决人脸多尺度的问题。
two_stage的检测器里，RPN其实就是一个单类别检测器（区分前景和背景）。但是直接使用RPN检测人脸效果并不好，因为：1.RPN使用的特征图分辨率太低，对小脸很不友好（我觉得定位精度也会受影响），无法适应多尺度；2.感知野是固定的，无法适应人脸的多尺度变化；
盾有了，下面就开始造矛了。怎么解决RPN的不足呢？方法有：1.使用不同大小的特征图进行预测，不同特征图上使用不同大小的锚框；2.使用inception模块产生多种感知野的特征给后续检测使用，让网络自主学习如何使用；
可以看到，用于预测的第一个特征图来自inception3，它前面还有两个同样的inception模块。inception模块的结构如下：
个人理解：这里的inception模块起到的作用和语义分割里的ASSP（空间金字塔池化）起到的作用类似，即提供不同粒度的上下文。深度学习中能融合丰富语义（或上下文）往往能提升最终的效果。
anchor框稠密化
作者使用的anchor框都是正方形，在inception3处使用了3个尺度的anchor框，在conv3_2和conv4_2处各使用了一个尺度的anchor框。大小如下图：
其中scale表示anchor框边长，interval便是anchor框中心点在原图上对应的距离，这个距离等于特征图下采样的倍数。作者采用了一个公式来计算anchor框的稠密度（density）：
上面表格里已经把各个尺度的anchor的稠密度计算出来的。可以看到，最小的两个anchor框稠密度偏小，这相对大框来说这样的分布不平衡，影响小脸的召回率。
怎么解决呢？那就是对最小的anchor框，在锚点周围偏移增加一些框，让所有的anchor框具有相同的稠密度。作者自己的实现是对32x32做了4倍稠密，对64x64做2倍稠密。稠密化方法如下：
我自己的理解：以最小的32x32anchor框来说，此时anchor interval为32，这意味着相邻的两个anchor没有任何重叠，如果人脸处于两个anchor框交界的地方，那么没有一个anchor框会得到较高的分数（因为每个框只能看到一半），在NMS阶段可能就被过滤掉了，这就影响了小脸的召回率（大脸由大anchor负责检测）。稠密化之后，anchor之间有重叠，无论人脸在什么位置，总有一个anchor能覆盖到脸的大部分，分类时得到一个不错的分数。
训练和实验
作者训练的时候使用了以下技巧去做数据增广：
- 颜色失真
- 随机裁剪（裁剪掉的尺度相对原图是0.3到1）
- resize。裁剪掉的图统一resize到1024x1024
- 5成概率水平翻转
- 上面处理后脸的中心必须在图片内，且长宽都要大于20像素，否则丢弃
匹配策略：IOU大于0.35则认为匹配
LOSS函数：参考Faster-RCNN,用softmax交叉熵做分类损失，用smooth-L1做bbox坐标的损失。
高难度样本挖掘：由于大部分anchor都是负样本，导致正负样本不均衡。因此对负样本按照loss大小进行排序，选择最高的那部分，保证正负样本比例为1:3。（个人补充：MTCNN也有类似的技巧，不过是利用分类的LOSS选取前面的70%）。
针对主要trick，作者做了对比实验：
稠密化策略：第二列和第一列比，作者去掉了稠密化策略，可以看到掉了1.1%,这说明稠密化策略非常重要。
MSCL：用三个3x3卷积替换掉MSCL，最终输出特征和inception3一样大，所有的anchor都用在最后那个特征图上。第三列和第二列相比点数掉了1%。（其实这里给我们一个启发，这个办法可以用来加速FaceBoxes，毕竟点数损失可以接受）
RDCL:去掉CRELU,倍增输出通道，虽然点数涨了一点点，但是时间多了很多，这说明CRELU的性价比很高，可以在影响很小的基础上大幅减少时间。
个人总结：相对coco分类比赛的那些网络，FaceBoxes是很小只的，因为这是但目标分类，相对比较简单，而且人脸接近刚体，变形相对不大，这也觉定了这种任务可以采用更紧凑的网络来完成。所以FaceBoxes还有优化空间，可以更进一步裁剪层数。
效果
快是基本要求，好是追求目标。
论文
FaceBoxes: A CPU Real-time Face Detector with High Accuracy
Single Stage Headless Face Detector
S3FD: Single Shot Scale-invariant Face Detector
Recurrent Scale Approximation for Object Detection in CNN
代码
一个公司的复现：zeusees/FaceBoxes（caffe）
TropComplique/FaceBoxes-tensorflow
DetectionTeamUCAS/SSH_Tensorflow
S3FD官方代码（caffe）：sfzhang15/SFD
（FaceBoxes作者之一sfzhang15也是S3FD作者呀）
sciencefans/RSA-for-object-detection
参考资料
[WIDER FACE官网：WIDER FACE: A Face Detection Benchmark
[论文翻译]据传比MTCCN的FaceBoxes《FaceBoxes: A CPU Real-time Face Detector with High Accuracy》
1736
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
