[논문 리뷰] A Fast Face Detection Method via Convolutional Neural Network

Guanjun Guo, Hanzi Wang외 3명|arXiv (Cornell University)|2018. 03. 27.

Face recognition and analysis참고 문헌 49인용 수 13

한 줄 요약

이 논문은 이미지 피라미드 없이 완전한 특징 맵에서 직접 분류가 가능한, 고유한 컨volution 신경망에서 추출한 분류적 완전 특징(DCFs)을 사용하는 빠른 얼굴 검출 방법을 제안한다. 이 방법은 희박하고 척도에 불민 특징을 활용하고 DCFs에 대한 슬라이딩 윈도우 전략을 적용하여, 특히 작은 얼굴에 대해 높은 효율성과 뛰어난 성능을 달성한다. FDDB 데이터셋에서 91.6%의 평균 정밀도를 기록하며, 여러 CNN 기반 얼굴 검출기들보다 뛰어난 ROC 성능을 보였다.

ABSTRACT

Current face or object detection methods via convolutional neural network (such as OverFeat, R-CNN and DenseNet) explicitly extract multi-scale features based on an image pyramid. However, such a strategy increases the computational burden for face detection. In this paper, we propose a fast face detection method based on discriminative complete features (DCFs) extracted by an elaborately designed convolutional neural network, where face detection is directly performed on the complete feature maps. DCFs have shown the ability of scale invariance, which is beneficial for face detection with high speed and promising performance. Therefore, extracting multi-scale features on an image pyramid employed in the conventional methods is not required in the proposed method, which can greatly improve its efficiency for face detection. Experimental results on several popular face detection datasets show the efficiency and the effectiveness of the proposed method for face detection.

연구 동기 및 목표

• 이미지 피라미드나 객체 제안 생성에 의존하는 기존 CNN 기반 얼굴 검출 방법의 높은 계산 비용 문제를 해결하기 위해.
• 특히 작은 크기의 얼굴에 대해 높은 정확도를 유지하면서도 검출 효율성을 향상시키기 위해.
• 더 빠른 추론을 위해 희박하고 척도에 불민 특징 표현을 개발하기 위해.
• 이미지 피라미드나 제안 영역이 아닌 완전한 특징 맵에서 직접 슬라이딩 윈도우 분류를 가능하게 하기 위해.

제안 방법

• ReLU 활성화 함수를 사용하는 깊은 CNN을 통해 희박한 특징 공간을 생성하고, 이를 DCF의 기초로 삼는다.
• 다중 척도 특징은 이웃 최소 거리 보간법을 사용해 완전 연결 층의 입력 크기로 조정하여 희박성과 위상 구조를 유지한다.
• 완전한 특징 맵에서 직접 각 슬라이딩 윈도우의 특징을 계산하는 빠른 특징 추출 방법을 제안하여 중복 계산을 방지한다.
• DCFs는 선형 분류기로 직접 분류에 사용되어 계산 복잡도를 감소시킨다.
• 컨volution 연산은 희박 빠른 푸리에 변환(SFFT) 알고리즘을 사용해 가속화된다.
• 객체 제안 생성에 의존하지 않아, 특히 작은 얼굴에 대해 실패하기 쉬운 기존 방법의 문제를 회피한다.

실험 결과

연구 질문

• RQ1 이미지 피라미드나 객체 제안 생성 없이도 CNN 기반 얼굴 검출 방법이 고속을 달성할 수 있는가?
• RQ2 분류적 완전 특징(DCFs)이 희박하고 척도에 불민 특징을 동시에 확보하면서도 충분한 분류 능력을 제공할 수 있는가?
• RQ3 이미지 피라미드나 영역 제안에 의존하는 방법과 비교해, 완전한 특징 맵에서 직접 분류를 수행하는 것이 속도와 정확도 측면에서 뛰어나게 되는가?
• RQ4 기존 방법이 어려움을 겪는 작은 크기의 얼굴도 효과적으로 검출할 수 있는가?

주요 결과

• 제안된 방법은 AFW 데이터셋에서 평균 정밀도 91.6%를 기록하여, 고재현율 영역에서 대부분의 기준 방법들을 능가했다.
• FDDB 데이터셋에서 제안된 방법은 R-CNN, faster R-CNN, YOLO, DeepIR를 포함한 모든 경쟁 CNN 기반 방법들 중에서 최고의 ROC 성능을 기록했다.
• Face++와의 시각적 비교에서, 작은 얼굴 및 가림된 얼굴의 검출 성능이 뛰어나다는 게 확인되었다.
• DCFs의 사용 덕분에 이미지 피라미드나 제안 네트워크를 사용하는 방법들보다 계산 오버헤드를 크게 감소시켰다.
• 제약 없는 얼굴에 대한 훈련 데이터가 제한된 상황에서도 성능이 우수하여, 강력한 일반화 능력을 보였다.