[論文レビュー] Selective Refinement Network for High Performance Face Detection

Cheng Chi, Shifeng Zhang+4 more|arXiv (Cornell University)|Sep 7, 2018

Face recognition and analysis参考文献 38被引用数 23

ひとこと要約

本論文では、誤検出を低減し、局所化精度を向上させるために、2段階分類と回帰を選択的に適用する1ショット顔検出器である選択的精錬ネットワーク（SRN）を提案する。SRNは、AFW、PASCAL Face、FDDB、WIDER FACEの各データセットで最先端の性能を達成し、WIDER FACEの検証セットで96.4%のAP、Hardサブセットで90.2%のAPを記録した。

ABSTRACT

High performance face detection remains a very challenging problem, especially when there exists many tiny faces. This paper presents a novel single-shot face detector, named Selective Refinement Network (SRN), which introduces novel two-step classification and regression operations selectively into an anchor-based face detector to reduce false positives and improve location accuracy simultaneously. In particular, the SRN consists of two modules: the Selective Two-step Classification (STC) module and the Selective Two-step Regression (STR) module. The STC aims to filter out most simple negative anchors from low level detection layers to reduce the search space for the subsequent classifier, while the STR is designed to coarsely adjust the locations and sizes of anchors from high level detection layers to provide better initialization for the subsequent regressor. Moreover, we design a Receptive Field Enhancement (RFE) block to provide more diverse receptive field, which helps to better capture faces in some extreme poses. As a consequence, the proposed SRN detector achieves state-of-the-art performance on all the widely used face detection benchmarks, including AFW, PASCAL face, FDDB, and WIDER FACE datasets. Codes will be released to facilitate further studies on the face detection problem.

研究の動機と目的

• 顔検出における高再現率レベルでの高い誤検出率、特に小さな顔に対して解決する。
• 特にIoU閾値が上昇する状況下でのボクシングボックスの局所化精度を向上させる。
• ネットワークの初期段階で単純なネガティブアーカイブをフィルタリングすることで、計算コストと探索空間を低減する。
• 多様な受容 field を通じて、極端なポーズの顔の検出耐性を向上させる。
• マルチステージ推論に依存せずに、複数のベンチマークデータセットで最先端の性能を達成する。

提案手法

• 選択的2段階分類（STC）モジュールは、低レベル特徴マップからの単純なネガティブアーカイブをフィルタリングし、以降の分類のための探索空間を削減する。
• 選択的2段階回帰（STR）モジュールは、高レベル特徴マップでアーカイブの位置とサイズを粗く調整し、最終的な回帰器の初期化を改善する。
• 受容フィールド強化（RFE）ブロックは特徴層に統合され、受容フィールドのサイズを多様化させ、極端なポーズの顔の検出を向上させる。
• SRNフレームワークはアーカイブベースの1ショット検出器に特徴マップピラミッドを組み合わせ、STCおよびSTRを特定の特徴レベルに選択的に適用する。
• STCおよびSTRモジュールは、クラス不均衡に対処するためのフオーカル損失と、回帰精度を向上させるためのスムーズL1損失をそれぞれ用いて、エンドツーエンドで学習される。
• IoU閾値を0.8まで引き上げて局所化精度を評価するため、標準的な指標（APとPR曲線）を用いて複数のベンチマークでネットワークを評価する。

実験結果

リサーチクエスチョン

• RQ1 選択的2段階分類は、特に小さな顔に対して再現率を損なわず、誤検出を低減できるか？
• RQ2 高レベル特徴でのアーカイブ位置の粗い修正が、より正確な最終ボクシングボックスをもたらすか？
• RQ3 RFEによる多様な受容フィールドの統合は、極端なポーズの顔の検出性能にどのように影響するか？
• RQ4 提案されたSRNフレームワークは、オクルージョンやぼやけなど極めて困難な課題を含む複数のベンチマークで最先端の性能を達成できるか？
• RQ5 各モジュール（STC、STR、RFE）の全体的な検出精度および精度-再現率トレードオフへの寄与度は何か？

主な発見

• SRNはWIDER FACEの検証セットで96.4%のAPを達成し、Hardサブセットでは90.2%を記録し、すべての先行手法を上回った。
• WIDER FACE Hardサブセットでは、SRNはテストセットで89.7%のAPを達成し、前回の最先端手法を大きく上回った。
• STR単体で使用した場合、高IoU閾値でのAPが向上：IoU=0.8で38.2%（RetinaNetは28.5%）となり、局所化精度の向上が示された。
• STCモジュールは、陽性対ネガティブ比を38倍に向上させ、再現率効率を著しく向上させ、高再現率での誤検出を低減した。
• RFEブロックは、Easy、Medium、Hardサブセットそれぞれで0.3%、0.3%、0.1%のAP向上をもたらし、極端なポーズへの有効性を示した。
• STCとSTRを併用した場合、SRNはHardサブセットで96.1%のAPを達成し、両モジュールの相乗効果が顕著に現れた。