[论文解读] Face Detection Using Improved Faster RCNN

Changzheng Zhang, Xiang Xu+1 more|arXiv (Cornell University)|Feb 6, 2018

Face recognition and analysis参考文献 30被引用 64

一句话总结

本文提出 FDNet1.0，一种改进的基于 Faster RCNN 的人脸检测器，使用多尺度训练/测试、轻量化的 RCNN 设计、推理技巧，以及基于投票的集成，在 WIDER FACE 上实现一流的性能。

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).

研究动机与目标

• 推动在人脸检测中使用 Faster RCNN，并提升在具有挑战性的人脸数据集上的性能。
• 开发一个适用于人脸检测的精简、轻量级的 Faster RCNN 变体（FDNet1.0）。
• 结合多尺度训练/测试和集成技术以提升准确性。
• 通过在 WIDER FACE 数据集上的具有竞争力的结果来展示有效性。

提出的方法

• 采用一个名为 FDNet1.0 的增强型 Faster RCNN 框架用于人脸检测。
• 应用多尺度训练和多尺度测试以在不同尺度上改进检测。
• 设计一个轻量级的 Faster RCNN 变体，在保持精度的同时降低计算量。
• 引入推理技巧以在部署阶段优化性能。
• 引入基于投票的集成方法，将多个模型的预测结果进行融合。

实验结果

研究问题

• RQ1 多尺度训练和测试是否能在不同尺度上提高人脸检测的准确性？
• RQ2 轻量级的 Faster RCNN 设计（FDNet1.0）在降低计算量的同时，是否仍能保持高人脸检测精度？
• RQ3 推理技巧和基于投票的集成是否还能进一步提升 WIDER FACE 上的检测性能？

主要发现

• FDNet1.0 在 WIDER FACE 验证集的 easy、medium 和 hard 子集上取得了最佳性能（两项第一名）和一项第二名。