Blazeface网络浅析

Introduction

来自谷歌的研究人员通过改造mobileNet提出更为紧凑的轻量级特征提取方法、结合适用于移动端GPU高效运行的新型锚框机制，以及代替非极大值抑制的加权方法保证检测结果的稳定性，在移动端上实现了超高速的高性能人脸检测BlazeFace.

一个轻量级特征提取网络

• 128 x 128 RGB input
• 2D convolution. 5 single, and 6 double BlazeBlocks
• Highest channel resolution is 96
• Lowest spatial resolution is 8 x 8(would be 1 x 1 SSD)

GPU友好型anchor方案

• Anchor scheme stops at 8 x 8（避免更深的下采样）
• 6 anchors per pixel at that resolution
• Only 1 : 1 aspect ratio

骨干网络的设计

研究人员发现，逐点计算1 x 1卷积对于计算资源的占比比使用k x k（k != 1）卷积核的要高。针对实际的iPhone X手机，其中基于Metal Performance Shader实现的3 x 3卷积，针对56 x 56 x 128大小的16比特浮点张量操作需要0.07ms，而使用1 x 1卷积对128通道到128通道的操作则需要耗时0.3ms，几乎是前者的四倍多。

这样的结果为研究人员指明了提高效率的方向，增加深度可分离卷积操作中第一步核的大小是相对高效的选择。所以在BlazeFace中研究人员将卷积核的大小扩大成了5 x 5。卷积核的增大在bottleneck总量减小的情况下保证了模型感受野的大小。

由于增大了卷积核后的Blaze单元的开销很小，使得另一个层的加入成为可能。于是研究人员又在上面模块的基础上开发出了双份的Blaze单元。不仅增加了感受野的大小，同时也提高了特征的抽象。使用5 x 5 的深度可分离卷积能达到 Same accuracy with fewer layers 的效果。

仔细观察上图可以发现，在第一个single blaze的输出为24，而在第二个single blaze的输出为96。相比较于MobileNet动辄256、512、1024的1x1卷积核输出通道数，作者仅仅用了一个24和一个96的1x1卷积核就完成了操作。并且在相同的模型层数下，BlazeFace的网络大小要小于MobileNet很多，速度也快很多。从下图作者的实验中可以看出，在正脸检测的任务中略优于MobileNet SSD，同时速度几乎是其两倍！

检测回归器的设计

检测回归器的设计，作者主要还是参考了SSD的工作。由于该算法主要需处理的任务为正脸的检测，其anchor在大多数的情况下，使用比例为1.0的anchor即可以得到很好的效果。相比于传统的SSD通过级联6个尺度下的特征（本文作者实现的MSSD级联了4个尺度下的特征），BlazeFace仅仅级联了2个尺度的特征进行人脸检测，且在16x16特征下每个点仅采用2个anchor，在8x8特征下每个点采用6个anchor，在数据分布不复杂的情况下，既能解决问题，又可以提升网络推理的速度，一举两得。

效果

代码

见GitHub：https://github.com/hollance/BlazeFace-PyTorch

参考

1.BlazeFace: 亚毫秒级的人脸检测器(含代码)

2.超高速人脸检测器BlazeFace，谷歌将人脸检测效率提升到逆天水平

3.人脸检测BlazeFace:亚毫秒级的人脸检测器