[논문 리뷰] Face Detection Using Improved Faster RCNN

Changzheng Zhang, Xiang Xu외 1명|arXiv (Cornell University)|2018. 02. 06.

Face recognition and analysis참고 문헌 30인용 수 64

한 줄 요약

이 논문은 WIDER FACE에서 최상위 결과를 달성하기 위한 다중 스케일 학습/테스트, 가벼운 RCNN 디자인, 추론 트릭, 그리고 다수 모델의 표결 기반 앙상블을 사용하는 개선된 Faster RCNN 기반 얼굴 검출기 FDNet1.0을 제시합니다.

ABSTRACT

Faster RCNN has achieved great success for generic object detection including PASCAL object detection and MS COCO object detection. In this report, we propose a detailed designed Faster RCNN method named FDNet1.0 for face detection. Several techniques were employed including multi-scale training, multi-scale testing, light-designed RCNN, some tricks for inference and a vote-based ensemble method. Our method achieves two 1th places and one 2nd place in three tasks over WIDER FACE validation dataset (easy set, medium set, hard set).

연구 동기 및 목표

• 얼굴 검출을 위해 Faster RCNN 사용을 고무하고 도전적인 얼굴 데이터셋에서 성능을 향상시키려 한다.
• 얼굴에 적합한 간소화되고 경량화된 Faster RCNN 변형(FDNet1.0)을 개발한다.
• 정확도를 높이기 위해 다중 스케일 학습/테스트 및 앙상블 기법을 도입한다.
• WIDER FACE 데이터셋에서 경쟁력 있는 결과를 통해 효과를 입증한다.

제안 방법

• 얼굴 검출을 위해 FDNet1.0이라는 향상된 Faster RCNN 프레임워크를 채택한다.
• 다중 스케일 학습과 다중 스케일 테스트를 적용하여 다양한 스케일에서 검출을 개선한다.
• 정확도를 유지하면서 계산량을 줄이기 위한 경량화된 Faster RCNN 변형을 설계한다.
• 배포 시 성능을 최적화하기 위한 추론 트릭을 도입한다.
• 다수 모델의 예측을 결합하기 위한 표결 기반 앙상블 방법을 도입한다.

실험 결과

연구 질문

• RQ1 다중 스케일 학습과 테스트가 다양한 스케일에서 얼굴 검출 정확도를 향상시킬 수 있는가?
• RQ2 경량화된 Faster RCNN 설계(FDNet1.0)가 계산량을 줄이면서 얼굴에 대해 높은 정확도를 유지하는가?
• RQ3 추론 트릭과 표결 기반 앙상블이 WIDER FACE에서의 검출 성능을 더 향상시킬 수 있는가?

주요 결과

• FDNet1.0은 WIDER FACE 검증 세트의 easy, medium, hard 하위집합에서 최상위 성능(1위 두 개, 2위 하나)을 달성하였다.