[论文解读] FCHD: A fast and accurate head detector.

Aditya Vora|arXiv (Cornell University)|Sep 24, 2018

Advanced Neural Network Applications参考文献 21被引用 7

一句话总结

FCHD 是一种全卷积、基于锚点的检测模型，在普通硬件上以 5 fps 的速度实现 0.70 的平均精度，其锚点基于特征图感受野精心设计。该模型在速度和效率方面优于基线方法，同时保持高精度，适用于监控场景中的边缘部署。

ABSTRACT

In this paper, we propose FCHD-Fully Convolutional Head Detector, which is an end-to-end trainable head detection model, which runs at 5 fps and with 0.70 average precision (AP), on a very modest GPU. Recent head detection techniques have avoided using anchors as a starting point for detection especially in the cases where the detection has to happen in the wild. The reason is poor performance of anchor-based techniques under scenarios where the object size is small. We argue that a good AP can be obtained with carefully designed anchors, where the anchor design choices are made based on the receptive field size of the hidden layers. Our contribution is two folds. 1) A simple fully convolutional anchor based model which is end-to-end trainable and has a very low inference time. 2) Carefully chosen anchor sizes which play a key role in getting good average precision. Our model achieves comparable results than many other baselines on challenging head detection dataset like BRAINWASH. Along with accuracy, our model has least runtime among all the baselines along with modest hardware requirements which makes it suitable for edge deployments in surveillance applications. The code is made open-source at https://github.com/aditya-vora/FCHD-Fully-Convolutional-Head-Detector.

研究动机与目标

• 开发一种适用于监控系统中实时边缘部署的快速且精确的头检测模型。
• 通过精心设计的基于锚点的方法，克服锚点自由方法在小目标检测中的局限性。
• 通过架构和锚点设计选择，在保持高平均精度的同时减少推理时间。
• 证明基于锚点的检测方法可在非受限环境下实现小目标（如头部）的竞争力性能。
• 提供一个开源、端到端可训练的模型，且对硬件要求极低。

提出的方法

• 该模型采用全卷积神经网络架构，以支持端到端训练和推理。
• 锚点尺寸基于各特征层的感受野大小专门设计，以提升小目标检测性能。
• 网络使用标准检测损失函数进行端到端训练，无需区域建议网络。
• 该模型利用多尺度特征图，在不同感受野中检测大小各异的头部。
• 锚点设计过程优先考虑与各特征层中预期目标尺度的空间对齐。
• 架构针对推理速度进行了优化，可在普通 GPU 上实现 5 fps 的性能。

实验结果

研究问题

• RQ1 基于锚点的头检测模型是否能在非受限环境下对小目标（如头部）实现高精度？
• RQ2 基于感受野大小设计的锚点如何影响小目标检测性能？
• RQ3 全卷积、基于锚点的模型是否能在头检测任务中同时实现比锚点自由方法更快的速度和更高的精度？
• RQ4 在普通硬件约束下，头检测的推理速度与精度之间存在何种权衡？
• RQ5 此类模型是否能高效部署于边缘设备以实现实时监控？

主要发现

• FCHD 在 BRAINWASH 数据集上达到 0.70 的平均精度，与许多最先进基线模型相当或更优。
• 该模型在普通 GPU 上以 5 fps 的速度运行，是所有对比基线中最快的。
• 该模型对硬件要求极低，可部署于边缘设备，适用于实时监控应用。
• 基于感受野大小精心设计的锚点显著提升了小目标检测的精度。
• 端到端可训练的全卷积架构确保了高效率和低推理时间。
• 在 https://github.com/aditya-vora/FCHD-Fully-Convolutional-Head-Detector 开源发布，支持可复现性及进一步研究。