[论文解读] Detecting Faces Using Region-based Fully Convolutional Networks

Yitong Wang, Xing Ji+3 more|arXiv (Cornell University)|Sep 14, 2017

Face recognition and analysis参考文献 15被引用 94

一句话总结

Face R-FCN 使用基于区域的全卷积网络，结合位置敏感池化、多尺度训练/测试，以及在线难易样本挖掘，以在 WIDER FACE 和 FDDB 上达到最先进的结果。

ABSTRACT

Face detection has achieved great success using the region-based methods. In this report, we propose a region-based face detector applying deep networks in a fully convolutional fashion, named Face R-FCN. Based on Region-based Fully Convolutional Networks (R-FCN), our face detector is more accurate and computational efficient compared with the previous R-CNN based face detectors. In our approach, we adopt the fully convolutional Residual Network (ResNet) as the backbone network. Particularly, We exploit several new techniques including position-sensitive average pooling, multi-scale training and testing and on-line hard example mining strategy to improve the detection accuracy. Over two most popular and challenging face detection benchmarks, FDDB and WIDER FACE, Face R-FCN achieves superior performance over state-of-the-arts.

研究动机与目标

• 利用基于区域的全卷积网络实现高精度与高效的人脸检测。
• 将面部专用设计选项融入 R-FCN 框架，以处理微小且多样化的人脸。
• 通过位置敏感池化和尺度策略来增强特征表达。
• 通过多尺度数据和困难样本挖掘来改进训练，以提升对具有挑战性人脸的检测。

提出的方法

• 在 R-FCN 的基础上使用 ResNet 作为主干网络以实现共享计算。
• 引入更小的 anchors 和 RoI 池化尺寸，以更好地检测微小人脸。
• 应用位置敏感的平均池化对人脸区域贡献进行重新加权。
• 在后期阶段使用空洞卷积以保留上下文和分辨率。
• 使用图像金字塔进行多尺度训练和测试，以及在线难例挖掘（OHEM）。
• 在测试时对各尺度结果进行融合以提高精度。

实验结果

研究问题

• RQ1 是否可以针对区域基于的全卷积网络进行定制，以实现跨尺度和遮挡情况下的鲁棒人脸检测？
• RQ2 位置敏感池化和更小的 RoIs 是否能提升微小或部分遮挡人脸的检测？
• RQ3 多尺度训练/测试和 OHEM 对在具有挑战性的基准上的人脸检测精度有何影响？

主要发现

• Face R-FCN 在 WIDER FACE 的 Easy、Medium、Hard 子集上均优于现有方法，表现卓越。
• Face R-FCN 在 FDDB 上在不受限制的训练协议下达到最先进的结果，在给定错误发现数下具有较高的真正例率。
• 将位置敏感平均池化应用于嵌入区分度，相较于全局平均池化有所提升。
• 多尺度策略和 OHEM 提高训练效果和对难样本的检测，尤其是微小人脸。
• 使用图像金字塔（多尺度）进行测试，在各尺度上实现稳健检测。