经典论文阅读——A Convolutional Neural Network Cascade for Face Detection

论文：A Convolutional Neural Network Cascade for Face Detection.pdf

实现：https://github.com/anson0910/CNN_face_detection

 

发表在2015年CVPR上的论文。提出了一种级联的CNN网络用于人脸检测。

首先，cascade（级联、串联）思想：1.将一个大的网络结构划分成小的几部分的网络结构，从而加快速度。2.对上一个网络的结果进行学习，不断修正refine。

该论文主要贡献有一下四点：

l 提出了级联的CNN用于快速的人脸检测

l 设计了Face bounding box calibration 这一步去帮助加速cnn级联。

l 提出了一种多分辨率的CNN网络结构，有着比单网络结构更强的识别能力，和一个微小的额外开销。

l 在Face Detection Data Set and Benchmark （FDDB）上更进一步地提高了现有水平.

 

整个处理流程里包含了六个网络和三次NMS(极大值抑制)，六个网络按顺序分别是12-net，12-calibration-net，24-net，24-calibration-net，48-net，48-calibration-net。

包含三个二分类网络用于分类其是否为人脸，另外三个calibration网络用于矫正人脸框边界。

给定一个测试图片，12net扫描整个图片以拒绝90%的区域，剩下的区域（即认为可能是人脸的区域，每个都是12*12的图片）送入12-calibration-net以调整尺寸和位置。Non-maximun suppression(NMS)被用于减少高度重合的区域。留下来的区域被裁减以调整尺寸为24*24，然后输入24net，再拒绝掉90%的区域。以此类推，直到48net和48-calibration-net执行完。

默认每一次做完pooling和fully-connected 都做RELU。

 

各层网络结构如下：

 

 

对原图像resize成对应的12x12,24x24,48x48然后很大程度上过滤掉非人脸区域，减少计算提高了速度，然后用NMS消除高度重叠的检测滑动窗口。

 

12-calibration-net，24-calibration-net，48-calibration-net的结构如下图所示：

 

这三个网络用于矫正检测边界框，原理是对原图做45次变换，然后每个变换后的边界框都有一个得分，对于得分高于某个设定的阈值时，将其累加进原边界，最后结果取平均，就是最佳边界框，关于45次变换，有如下得来：

 

其中s——scale，框的大小变化

x——沿X轴的平移距离

y——沿Y轴的平移距离

 

变换方式如下：