Scale-Aware Face Detection

2017CVPR 文章链接： 《Scale-Aware Face Detection》

对于人脸检测，通常我们需要采用各种手段小心的处理多尺度的问题。事实上，对于很多待检测图像，其只在某个尺度上才有人脸存在。如果我们可以“提前预知”哪些尺度上存在人脸，就可以针对性的进行检测从而减少计算量。

1. 方法介绍

整个检测分为两个阶段：

• stage1，输入缩小的图片进入Scale Proposal Network (SPN) 来预测在哪个尺度上存在人脸。
• stage2，将图片按照尺度预测结果进行缩放，然后送入Single Scale RPN (SS-RPN)检测人脸。

2. 要点介绍

（1）Scale Proposal Network (SPN)

如上图，SPN网络为全卷积网络，可以接受任意大小的输入，并在最后通过Global Max Pooling来获得固定的 \(1 \times1 \times n\)大小的概率输出。 \(n\) 表示 \(n\)种不同的尺度，其为精心设计的 等比数列，定义如下：

假设最大和最小检测人脸分别为 \(l_{max}\) 和 \(l_{min}\)，并定义指数范围为\(s_n = \log_2l_{max}\) 和 \(s_0 = \log_2l_{min}\)。 则相邻尺度的间隔为： \(d = (s_n-s_0)/n\)。

于是，最后第 \(i\) 个输出对应的人脸尺度范围为：

\([2^{s_0+(i-1)d},2^{s_0+id})\)

（2）Ground truth preparation

训练SPN所用的label该如何生成？

首先需要注意的一点是，标注bounding box存在很强的主观性，这也就意味着标记的人脸尺寸很可能不准。为了弱化这种主观偏差，这里采用5个人脸关键点来定义新的bounding box：

其中，\(o_x，\ o_y, \ o_s\) 为所有样本共享的offset参数。

有了人脸尺寸后，我们不是简单地将label置为非0即1(出现该尺寸则label置为1，否则置为0)，因为这样很容易受噪声影响。 同样为了弱化这种影响，这里采用相对平滑的高斯分布来分配label。

其中的方差因子 \(\sigma\) 与ground truth的误差分布以及检测器窗口大小有关，文中实验设置为 \(\sigma = 0.4\)。

当有多个尺度的人脸时，最终的label是取多个高斯分布在对应位置的最大值而不是加和。总之思想类似于下图：

（3）Scaling strategy generation

怎样对SPN的输出进行后处理？

如上图，采用滑动窗口对SPN的输出进行平滑处理，窗口大小为检测器处理范围的一半； 然后采用一维NMS寻找极值点。

3. 分析

• （1）在FDDB上表现中等

因为一旦尺度估计有问题，后续几乎无法弥补。

• （2）人脸较少时，速度不错

所以，这种策略可以用在一些特殊场景下，算作一种不错的自适应策略。