今天我們不說計(jì)算機(jī)視覺基礎(chǔ)知識(shí)，接下來說說AAAI2019一篇比較新穎的Paper，其是中科院自動(dòng)化所和京東AI研究院聯(lián)合的結(jié)果，在Wider Face數(shù)據(jù)集中達(dá)到了較高的水準(zhǔn)，比arxiv2019_VIM-FD的更好一些。

Improved SRN

人臉檢測(cè)作為計(jì)算機(jī)視覺中的一個(gè)長(zhǎng)期存在的問題，由于其實(shí)際應(yīng)用，近幾十年來一直受到人們的關(guān)注。

隨著人臉檢測(cè)基準(zhǔn)數(shù)據(jù)集的廣泛應(yīng)用，近年來各種算法都取得了很大的進(jìn)展。其中，Selective Refinement Network（SRN）人臉檢測(cè)器有選擇地將分類和回歸操作引入到anchor-based的人臉檢測(cè)器中，以減少假陽性同時(shí)提高定位精度。此外，它還設(shè)計(jì)了一個(gè)感受野增強(qiáng)塊，以提供更多樣化的感受野。

為了進(jìn)一步提高SRN的性能，通過大量的實(shí)驗(yàn)，開發(fā)了現(xiàn)有的一些技術(shù)，包括新的數(shù)據(jù)增強(qiáng)策略、改進(jìn)的backbone network、MS COCO預(yù)訓(xùn)練、解耦分類模塊（decoupled classification module）、分割分支和壓縮激勵(lì)塊（Squeeze-and-Excitation block）。

其中，一些技術(shù)帶來了性能改進(jìn)，因此，將這些有用的技術(shù)結(jié)合在一起，提出了一種改進(jìn)的SRN人臉檢測(cè)器，并在廣泛使用的人臉檢測(cè)基準(zhǔn)的人臉數(shù)據(jù)集上獲得了最佳的性能。

人臉檢測(cè)其實(shí)比較簡(jiǎn)單，就是將圖像輸入算法框架中，最終返回輸入圖像中目標(biāo)人臉的bounding box。

Review of Baseline

接下來，我們先簡(jiǎn)要回顧Selective Refinement Network（SRN）。如下圖1所示，它包括選擇性兩步分類(STC)、選擇性兩步回歸(STR)和感受野增強(qiáng)(RFE)，這三個(gè)模塊的詳細(xì)說明如下。

圖1 SRN。它包括選擇性兩步分類(STC)、選擇性兩步回歸(STR)和感受野增強(qiáng)(RFE)。

01

S T C

對(duì)于單級(jí)檢測(cè)器，大量的正負(fù)樣本比的anchor（例如，大約有300k個(gè)anchor，SRN中的正/負(fù)比約為0.006%）導(dǎo)致了相當(dāng)多的假陽性。因此，它需要另一個(gè)階段，如RPN過濾掉一些負(fù)樣本。選擇性兩步分類是從RefineDet繼承而來的，有效地拒絕了大量的負(fù)樣本anchor，緩解了類不平衡問題。

STC作用于淺層Feature Map上，來過濾掉大部分比驕傲容易區(qū)分的負(fù)樣本，來減少搜索空間。

02

S T R

像Cascade RCNN這樣的多步回歸可以提高Bounding Box位置的準(zhǔn)確性，特別是在一些具有挑戰(zhàn)性的場(chǎng)景中，例如MS COCO風(fēng)格的評(píng)估指標(biāo)。然而，將多步回歸應(yīng)用于人臉檢測(cè)任務(wù)中，如果不仔細(xì)考慮，可能會(huì)影響檢測(cè)結(jié)果。

STR作用于高層Feature Map上，用來粗略調(diào)整anchor的尺度、位置（類似于RefineDet中ARM的回歸任務(wù)），并進(jìn)一步為高層Feature Map上的回歸器提供refined后的anchor位置初始化（類似于RefineDet中ODM的回歸任務(wù)）。

03

R F E

當(dāng)前網(wǎng)絡(luò)通常都具有square感受野，這影響了對(duì)不同高寬比目標(biāo)的檢測(cè)。為了解決這個(gè)問題，SRN設(shè)計(jì)了一個(gè)感受野增強(qiáng)（RFE），在預(yù)測(cè)類和位置之前，將特征的感受野多樣化，這有助于在某些極端姿勢(shì)中很好地捕捉到人臉。