[논문 리뷰] Accurate Face Detection for High Performance

Faen Zhang, Xinyu Fan외 4명|arXiv (Cornell University)|2019. 05. 05.

Face recognition and analysis참고 문헌 54인용 수 24

한 줄 요약

이 논문은 최근 기술들을 통합하여 RetinaNet를 개선한 고성능 얼굴 검출기 AInnoFace를 제안한다: 이중 단계 분류 및 회귀, 박스 회귀를 위한 IoU 손실, 데이터-앵커 샘플링 기반 데이터 증강, 강건한 분류를 위한 max-out, 다중 해상도 테스트. 이 방법은 WIDER FACE 검증 세트에서 상태최저 수준의 AP 점수 97.0% (Easy), 96.1% (Medium), 91.8% (Hard)를 기록하여 이전 모든 방법을 능가한다.

ABSTRACT

Face detection has witnessed significant progress due to the advances of deep convolutional neural networks (CNNs). Its central issue in recent years is how to improve the detection performance of tiny faces. To this end, many recent works propose some specific strategies, redesign the architecture and introduce new loss functions for tiny object detection. In this report, we start from the popular one-stage RetinaNet approach and apply some recent tricks to obtain a high performance face detector. Specifically, we apply the Intersection over Union (IoU) loss function for regression, employ the two-step classification and regression for detection, revisit the data augmentation based on data-anchor-sampling for training, utilize the max-out operation for classification and use the multi-scale testing strategy for inference. As a consequence, the proposed face detection method achieves state-of-the-art performance on the most popular and challenging face detection benchmark WIDER FACE dataset.

연구 동기 및 목표

• 장애물, 척도 변화, 작은 얼굴 크기 등 도전적인 요소가 많은 비제약 환경에서의 얼굴 검출 성능을 향상시키기 위해.
• 최근 딥 러닝 기술들을 통합하여 일단계 얼굴 검출기의 성능, 특히 작은 얼굴에 대해 향상시키기 위해.
• 표준이자 도전적인 얼굴 검출 데이터셋인 WIDER FACE 벤치마크에서 최고의 성능을 달성하기 위해.
• 다양한 최근 기술들을 조합하면 아키텍처의 대대적인 개선 없이도 검출 정확도를 크게 향상시킬 수 있음을 보여주기 위해.

제안 방법

• 얼굴 검출을 위한 기초 일단 단계 검출기로 RetinaNet를 채택한다.
• 정위치 및 분류 정확도 향상을 위해 이중 단계 분류 및 회귀를 적용한다.
• 박스 회귀를 직접 최적화하기 위해 교차 면적(IoU) 손실을 사용한다.
• 작은 얼굴에 대한 일반화 성능 향상을 위해 데이터-앵커 샘플링 기반 데이터 증강을 구현한다.
• 분류 헤드에 max-out 연산을 도입하여 특징의 강건성을 향상시킨다.
• 경계 상자 투표를 사용한 다중 해상도 테스트를 통해 작은 얼굴에 대한 추론 성능을 향상시킨다.

실험 결과

연구 질문

• RQ1 WIDER FACE와 같은 도전적인 벤치마크에서 최근 딥 러닝 기술들을 조합하면 얼굴 검출 성능을 크게 향상시킬 수 있는가?
• RQ2 이중 단계 분류 및 회귀 전략은 작은 얼굴에 대한 검출 정확도 향상에 얼마나 효과적인가?
• RQ3 데이터-앵커 샘플링 기반 데이터 증강은 작은 얼굴 인스턴스에 대한 일반화 성능 향상에 어느 정도 기여하는가?
• RQ4 IoU 손실 사용은 표준 회귀 손실 대비 더 높은 정위치 정확도를 제공하는가?
• RQ5 투표 기반 다중 해상도 테스트는 작은 얼굴 및 검출이 어려운 얼굴에 대해 성능을 추가로 향상시킬 수 있는가?

주요 결과

• AInnoFace는 WIDER FACE 검증 세트의 Easy 서브셋에서 최고의 평균 정밀도(AP) 97.0%를 달성한다.
• 검증 세트의 Medium 서브셋에서는 96.1% AP, Hard 서브셋에서는 91.8% AP를 기록하여 비교된 모든 최고 성능(SOTA) 방법을 능가한다.
• 테스트 세트에서는 Easy에서 96.5% AP, Medium에서 95.7% AP, Hard에서 91.2% AP를 기록하여 강력한 일반화 능력을 입증한다.
• 제거 실험 결과 각 구성 요소—특히 IoU 손실과 다중 해상도 테스트—가 성능 향상에 기여한다는 것이 확인된다.
• 기술들의 조합은 어려운 예제, 특히 장애물과 작은 척도가 함께 있는 경우에도 일관된 성능 향상을 이끌어내며, 전반적인 난이도 수준에서 유의미한 향상을 보인다.
• 결과는 아키텍처적 개선이 반드시 필요로 하지 않으며, 기존 기술들을 효과적으로 통합하는 것으로도 최고 성능에 도달할 수 있음을 보여준다.