[論文レビュー] Face Detection Using Improved Faster RCNN

Changzheng Zhang, Xiang Xu+1 more|arXiv (Cornell University)|Feb 6, 2018

Face recognition and analysis参考文献 30被引用数 64

ひとこと要約

この論文はFDNet1.0を提示します。Faster RCNNベースの顔検出器で、マルチスケールの訓練/テスト、軽量RCNN設計、推論のコツ、投票ベースのアンサンブルを使用し、WIDER FACEでトップの結果を達成します。

ABSTRACT

Faster RCNN has achieved great success for generic object detection including PASCAL object detection and MS COCO object detection. In this report, we propose a detailed designed Faster RCNN method named FDNet1.0 for face detection. Several techniques were employed including multi-scale training, multi-scale testing, light-designed RCNN, some tricks for inference and a vote-based ensemble method. Our method achieves two 1th places and one 2nd place in three tasks over WIDER FACE validation dataset (easy set, medium set, hard set).

研究の動機と目的

• Faster RCNN を顔検出に用いる動機づけを行い、挑戦的な顔データセットでの性能を向上させる。
• 顔向けに適した、洗練され軽量な Faster RCNN の派生版を開発する（FDNet1.0）。
• 精度を高めるためにマルチスケール訓練/テストとアンサンブル技術を組み込む。
• WIDER FACE データセットで競争力のある結果を通じて有効性を示す。

提案手法

• 顔検出のために FDNet1.0 という名の強化された Faster RCNN フレームワークを採用する。
• スケールをまたいだ検出を改善するためにマルチスケール訓練とマルチスケールテストを適用する。
• 精度を維持しつつ計算量を削減するための軽量な Faster RCNN バリアントを設計する。
• デプロイ時の性能を最適化する推論トリックを組み込む。
• 複数モデルの予測を結合する投票ベースのアンサンブル手法を導入する。

実験結果

リサーチクエスチョン

• RQ1 マルチスケール訓練とテストは様々なスケールでの顔検出精度を向上させることができるか？
• RQ2 軽量な Faster RCNN 設計（FDNet1.0）は計算量を削減しつつ顔の高精度を維持できるか？
• RQ3 推論のコツと投票ベースのアンサンブルはWIDER FACEでの検出性能をさらに向上させるか？

主な発見

• FDNet1.0 は WIDER FACE の validation set の easy, medium, hard のサブセット全体でトップの性能（2つの1位、1つの2位）を達成。