[논문 리뷰] TinaFace: Strong but Simple Baseline for Face Detection

Yanjia Zhu, Hongxiang Cai외 3명|arXiv (Cornell University)|2020. 11. 26.

Advanced Neural Network Applications참고 문헌 62인용 수 68

한 줄 요약

TinaFace는 얼굴 검출을 일반적인 단일 클래스 객체 탐지 문제로 다루며 RetinaNet 기반의 강력하지만 간단한 단일 스테이지 벤치마크를 사용하여 WIDER FACE에서 최첨단 성능을 달성합니다. Hard에서 92.1% AP, 테스트-타임 증강으로 92.4% AP에 도달합니다.

ABSTRACT

Face detection has received intensive attention in recent years. Many works present lots of special methods for face detection from different perspectives like model architecture, data augmentation, label assignment and etc., which make the overall algorithm and system become more and more complex. In this paper, we point out that extbf{there is no gap between face detection and generic object detection}. Then we provide a strong but simple baseline method to deal with face detection named TinaFace. We use ResNet-50 \cite{he2016deep} as backbone, and all modules and techniques in TinaFace are constructed on existing modules, easily implemented and based on generic object detection. On the hard test set of the most popular and challenging face detection benchmark WIDER FACE \cite{yang2016wider}, with single-model and single-scale, our TinaFace achieves 92.1\% average precision (AP), which exceeds most of the recent face detectors with larger backbone. And after using test time augmentation (TTA), our TinaFace outperforms the current state-of-the-art method and achieves 92.4\% AP. The code will be available at \url{https://github.com/Media-Smart/vedadet}.

연구 동기 및 목표

• 얼굴 검출을 효과적으로 하나의 일반 객체 탐지 문제로 접근할 수 있음을 보여준다.
• 표준 탐지 모듈에 기반한 강력하고 단순한 베이스라인(TinaFace)을 제공한다.
• ResNet-50 백본을 사용한 WIDER FACE hard 서브셋에서 TinaFace가 최첨단 혹은 경쟁력 있는 결과를 달성한다는 것을 보여준다.

제안 방법

• 일반적이고 공정한 벤치마크로 6 레벨 FPN 백본을 갖춘 ResNet-50을 사용한다.
• 다중 스케일 특징을 향상시키기 위해 인셉션 모듈을 도입한다.
• 신뢰도 재가중화를 위해 상자 IoU를 예측하는 IoU 인식 헤드를 추가한다.
• 작은 물체를 더 잘 다루기 위해 바운딩 박스 회귀에 DIoU 손실을 사용한다.
• 소규모 배치에서의 안정적 학습을 위해 BatchNorm을 GroupNorm으로 교체한다.
• 성능 향상을 위해 선택적으로 테스트 시간 증강(TTA)을 사용한다.

실험 결과

연구 질문

• RQ1 특화된 얼굴 전용 구성 요소 없이 표준 일반 객체 탐지 기술로 얼굴 검출을 효과적으로 해결할 수 있는가?
• RQ2 간단한 단일 스케일, 단일 모델 파이프라인을 사용하여 WIDER FACE hard 서브셋에서 어떤 성능을 달성할 수 있는가?
• RQ3 IoU 인식 및 distance-IoU 손실의 도입이 로컬라이제이션과 전반적인 AP를 향상시키는가, 특히 작은 얼굴에서?

주요 결과

• 단일 스케일, 단일 모델 구성과 ResNet-50 백본으로 TinaFace는 WIDER FACE hard 서브셋에서 92.1% AP를 달성한다.
• 테스트 시간 증강을 사용하면 TinaFace가 hard 서브셋에서 92.4% AP를 달성하여 현 시점의 최첨단 방법을 능가한다.
• 일반 탐지 모듈에 기반한 강력한 베이스라인은 더 큰 백본을 사용하는 많은 최근 얼굴 검출기들을 능가할 수 있다.
• DIoU 손실과 IoU 인식 헤드가 작은 얼굴에서 로컬라이제이션 개선 및 거짓 양성 감소에 기여한다.
• BatchNorm을 GroupNorm으로 교체하면 작은 배치 조건에서 학습이 안정화된다.
• 테이블 결과는 검증에서 ResNet-50(no-TTA)로 0.963 Easy, 0.957 Medium, 0.930 Hard를 달성하고, 테스트에서 0.952 Easy, 0.947 Medium, 0.921 Hard를 달성함을 보여준다.