[论文解读] Dockerface: an Easy to Install and Use Faster R-CNN Face Detector in a Docker Container

Nataniel Ruiz, James M. Rehg|arXiv (Cornell University)|Aug 15, 2017

Face recognition and analysis参考文献 12被引用 11

一句话总结

Dockerface 是一个打包在 Docker 容器中的预训练 Faster R-CNN 人脸检测器，可轻松在 Linux 系统上部署，无需复杂的安装和训练过程。其准确率达到 SOTA 水平——在 0.5 IOU 下召回率达 98%，优于广泛使用的 Dlib、OpenCV 和 OMRON 检测器，在真实世界儿童互动视频中表现更优。

ABSTRACT

Face detection is a very important task and a necessary pre-processing step for many applications such as facial landmark detection, pose estimation, sentiment analysis and face recognition. Not only is face detection an important pre-processing step in computer vision applications but also in computational psychology, behavioral imaging and other fields where researchers might not be initiated in computer vision frameworks and state-of-the-art detection applications. A large part of existing research that includes face detection as a pre-processing step uses existing out-of-the-box detectors such as the HoG-based dlib and the OpenCV Haar face detector which are no longer state-of-the-art - they are primarily used because of their ease of use and accessibility. We introduce Dockerface, a very accurate Faster R-CNN face detector in a Docker container which requires no training and is easy to install and use.

研究动机与目标

• 解决研究中广泛使用过时且低准确率的人脸检测器（如 OpenCV Haar、Dlib HOG）的问题，尽管已有更优的深度学习方法可用。
• 克服采用最先进人脸检测技术的障碍，包括复杂的 Caffe 安装、GPU 配置以及缺乏预训练模型的问题。
• 为缺乏深度学习专业知识的计算机视觉、心理学和行为成像领域的研究人员提供即用、可复现且易于访问的解决方案。
• 在自闭症儿童社会行为分析等真实应用场景中实现高精度人脸检测，因为检测错误会导致数据丢失。
• 用高准确率、易于部署的替代方案取代次优的预处理检测器，从而提高下游任务的可靠性。

提出的方法

• 复现基于 WIDER Face 数据集训练的 Faster R-CNN 人脸检测模型，实现 SOTA 性能，如 Jiang 和 Miller 所示。
• 将预训练的 Faster R-CNN 模型、Caffe 深度学习框架、支持视频处理的 OpenCV 以及 GPU 兼容库打包进一个单一、可移植的 Docker 容器中。
• 自动化 Caffe 和 OpenCV 的编译与 GPU 支持配置，消除手动设置和依赖冲突。
• 包含预编写的 Python 脚本用于图像和视频推理，具备清晰的输入/输出处理机制，并支持 CPU 和 GPU 执行。
• 利用 Docker 将模型集成到轻量级、硬件无关的容器环境中，确保在不同系统上的一致性部署。
• 在 https://github.com/natanielruiz/dockerface 提供详细、分步的说明文档和开源代码，以促进社区采纳与扩展。

实验结果

研究问题

• RQ1 是否可以将预训练的 Faster R-CNN 人脸检测器打包进 Docker 容器，以消除复杂安装和配置的障碍？
• RQ2 在来自儿童互动研究的真实、具有挑战性的视频数据中，Dockerface 的性能与广泛使用的开箱即用型检测器（如 OpenCV、Dlib、OMRON）相比如何？
• RQ3 使用高准确率的人脸检测器（如 Dockerface）在多大程度上减少了下游任务（如面部关键点检测或社会行为分析）中的数据丢失？
• RQ4 在不重新训练的情况下，Docker 化的预训练 Faster R-CNN 模型是否能在基准数据集上实现与原始实现相当或更优的准确率？
• RQ5 在 Docker 容器中集成 GPU 支持和视频处理库是否显著提升了其在实时应用中的可用性？

主要发现

• 在一段 3 分钟的儿童-成人互动视频中，Dockerface 在 0.5 IOU 下达到 98% 的召回率，在 0.75 IOU 下达到 93% 的召回率，显著优于 OpenCV（0.5 IOU 下为 40%，0.75 IOU 下为 3%）。
• 在更具挑战性的视频序列中，Dockerface 在 0.5 IOU 下达到 91% 的召回率，在 0.75 IOU 下达到 73%，而 Dlib 分别为 77% 和 69%，OpenCV 分别为 9% 和 1%，OMRON 分别为 36% 和 1%。
• 该模型在 0.5 IOU 下保持 98% 的高精度，同时实现近乎完美的召回率，表明其具有高检测灵敏度和低误报率。
• Dockerface 通过在部分遮挡或低分辨率图像等困难情况下仍能准确检测人脸，显著减少了下游分析中的数据丢失。
• Docker 容器解决方案消除了手动编译 Caffe、配置 GPU 驱动和重新编译 OpenCV 的需求，使 Linux 系统上的一键部署成为可能。
• 开源发布配合详细文档和预构建脚本，使缺乏深度学习专业知识的研究人员能够以极小的投入将高准确率人脸检测集成到其分析流程中。