[论文解读] PyramidBox++: High Performance Detector for Finding Tiny Face

Zhihang Li, Xu Tang+3 more|arXiv (Cornell University)|Mar 31, 2019

Face recognition and analysis参考文献 44被引用 37

一句话总结

PyramidBox++ 通过在 WIDER FACE 上使用平衡数据采样、双金字塔锚点、密集上下文模块以及多任务训练，提升极小人脸检测并在困难集上达到最先进的结果。

ABSTRACT

With the rapid development of deep convolutional neural network, face detection has made great progress in recent years. WIDER FACE dataset, as a main benchmark, contributes greatly to this area. A large amount of methods have been put forward where PyramidBox designs an effective data augmentation strategy (Data-anchor-sampling) and context-based module for face detector. In this report, we improve each part to further boost the performance, including Balanced-data-anchor-sampling, Dual-PyramidAnchors and Dense Context Module. Specifically, Balanced-data-anchor-sampling obtains more uniform sampling of faces with different sizes. Dual-PyramidAnchors facilitate feature learning by introducing progressive anchor loss. Dense Context Module with dense connection not only enlarges receptive filed, but also passes information efficiently. Integrating these techniques, PyramidBox++ is constructed and achieves state-of-the-art performance in hard set.

研究动机与目标

• 在无约束环境下促进鲁棒的人脸检测，面对大尺度变化和极小的人脸。
• 通过解决数据采样不平衡和上下文利用问题，改进 PyramidBox。
• 利用多任务学习提供额外的监督与正则化。

提出的方法

• 引入平衡数据锚采样（BDAS）以实现统一的脸部尺度采样。
• 提出双金字塔锚点（Dual-PyramidAnchors），以实现接近主干网络的逐步上下文监督。
• 结合密集连接的密集上下文模块，以扩大感受野并改善信息流。
• 采用包括分割和无锚检测在内的多任务训练，以提供额外的监督。

实验结果

研究问题

• RQ1 在面部尺度上的采样平衡如何提升 WIDER FACE 上极小人脸的召回率？
• RQ2 相比于之前的 PyramidBox，结合双金字塔锚点和密集上下文是否能改善小脸部定位？
• RQ3 分割和无锚任务对极小人脸的整体检测性能有何影响？

主要发现

• 在 WIDER FACE 上，PyramidBox++ 在验证集达到 Easy 96.5%、Medium 95.9%、Hard 91.2%，在测试集达到 Easy 95.6%、Medium 95.2%、Hard 90.9%。
• 该方法在 hard 子集上超过所有方法，表明极小人脸检测性能强劲。
• BDAS 使脸部尺度的采样更均匀，提升小脸召回率。
• 密集上下文模块和双金字塔锚点在不增加额外运行时开销的情况下，提升了靠近主干网络的特征学习。
• 包含分割和无锚分支的多任务训练提供额外的监督，提升检测性能。