[论文解读] Center and Scale Prediction: Anchor-free Approach for Pedestrian and Face Detection

Wei Liu, Irtiza Hasan+1 more|arXiv (Cornell University)|Apr 5, 2019

Advanced Neural Network Applications被引用 4

一句话总结

本文提出中心与尺度预测（CSP），一种基于全卷积网络的无锚点目标检测方法，将行人和人脸检测建模为联合中心点与尺度回归任务。通过将'位置'与'大小'子问题解耦为独立的卷积头，CSP 消除了对锚框的需求，简化了训练与超参数调优，同时在 CityPersons 和 Caltech 数据集上实现了最先进性能，并在 WiderFace 和跨数据集评估中展现出强大的泛化能力。

ABSTRACT

Object detection generally requires sliding-window classifiers in tradition or anchor box based predictions in modern deep learning approaches. However, either of these approaches requires tedious configurations in boxes. In this paper, we provide a new perspective where detecting objects is motivated as a high-level semantic feature detection task. Like edges, corners, blobs and other feature detectors, the proposed detector scans for feature points all over the image, for which the convolution is naturally suited. However, unlike these traditional low-level features, the proposed detector goes for a higher-level abstraction, that is, we are looking for central points where there are objects, and modern deep models are already capable of such a high-level semantic abstraction. Besides, like blob detection, we also predict the scales of the central points, which is also a straightforward convolution. Therefore, in this paper, pedestrian and face detection is simplified as a straightforward center and scale prediction task through convolutions. This way, the proposed method enjoys a box-free setting. Though structurally simple, it presents competitive accuracy on several challenging benchmarks, including pedestrian detection and face detection. Furthermore, a cross-dataset evaluation is performed, demonstrating a superior generalization ability of the proposed method. Code and models can be accessed at (https://github.com/liuwei16/CSP and https://github.com/hasanirtiza/Pedestron).

研究动机与目标

• 为解决行人与人脸检测中锚框方法带来的复杂性与超参数敏感性问题。
• 探究目标检测中的'位置'与'大小'子问题是否可通过深度卷积网络解耦为独立任务，以提升训练效率与模型简洁性。
• 开发一种无需依赖数据集特定锚框配置即可在不同数据集间良好泛化的检测方法。
• 证明高层语义特征检测——特别是对象中心点与尺度预测——可通过深度卷积网络有效学习。

提出的方法

• 该方法将目标检测建模为双头卷积预测任务：利用全卷积网络预测对象的中心点及其对应尺度。
• 中心点预测通过一个热力图回归头实现，该头使用可学习的卷积层识别每个对象的中心点。
• 尺度预测通过独立的回归头实现，该头在每个中心点位置输出对象的尺度（如大小或半径）。
• 模型使用从边界框或中心线标注中衍生的真值中心点与尺度标注进行训练，无需锚框。
• 该方法本质上为无锚点，消除了对锚框尺寸、宽高比与重叠阈值配置的需求。
• 后处理步骤极少，避免了其他无锚点方法中使用的复杂关键点配对策略。

实验结果

研究问题

• RQ1 能否通过深度卷积网络将目标检测中的'位置'与'大小'子问题有效解耦为独立且可学习的任务？
• RQ2 基于中心点与尺度预测的无锚点检测方法是否在准确率与泛化能力上优于锚框方法？
• RQ3 所提出的 CSP 检测器在跨数据集评估中的表现如何，特别是在测试数据分布与训练数据不同时？
• RQ4 该方法是否能无需重新配置即可泛化至行人与人脸等多样化目标类别？
• RQ5 模型在训练过程中对噪声或模糊的中心点标注有多大的鲁棒性？

主要发现

• 在 CityPersons 基准上，CSP 检测器实现了最先进性能，优于先前的无锚点方法（如 TLL），在易样本集上的 AP 达到 0.903。
• 在 Caltech 数据集上，CSP 在易样本集上的 AP 达到 0.903，尽管面临中心点标注模糊的挑战，仍表现出强劲性能。
• 在跨数据集人脸检测中，当在 WiderFace 上训练时，CSP 在 WiderFace 上达到 89.9% 的 AP，优于相同训练设置下的锚框方法 DSFD 在 UCCS 和 DarkFace 上的表现。
• 模型展现出优越的泛化能力：在 WiderFace → UCCS 设置下，CSP 的 MR⁻² 为 28.0%，优于 DSFD 的 25.9%，表明其对领域偏移更具鲁棒性。
• 当训练过程中中心点标注被扰动最多达 8 像素时，模型的 MR⁻² 性能下降 3.97%，证实其对标注质量敏感。
• 消融实验表明，结合热力图头与尺度头（CSP H+W）的性能优于仅使用热力图头（CSP H），易样本集上的 AP 分别为 0.961 与 0.903。