[论文解读] Robust and High Performance Face Detector

Yundong Zhang, Xiang Xu+1 more|arXiv (Cornell University)|Jan 6, 2019

Face recognition and analysis参考文献 39被引用 23

一句话总结

本文提出 VIM-FD，一种鲁棒且高性能的人脸检测器，整合了多种先进技术，包括以 DenseNet-121 作为主干网络、基于数据-锚框采样的数据增强、最大内-外标签与锚框匹配策略，以及用于改进特征监督的注意力机制。在具有挑战性的 WIDER FACE 基准测试中，VIM-FD 在 Easy、Medium 和 Hard 子集上分别取得了 96.7%、95.7% 和 90.7% 的平均精度（AP），在所有难度级别下均表现出卓越的准确性，尤其在小尺寸和遮挡人脸检测方面表现突出。

ABSTRACT

In recent years, face detection has experienced significant performance improvement with the boost of deep convolutional neural networks. In this report, we reimplement the state-of-the-art detector SRN and apply some tricks proposed in the recent literatures to obtain an extremely strong face detector, named VIM-FD. In specific, we exploit more powerful backbone network like DenseNet-121, revisit the data augmentation based on data-anchor-sampling proposed in PyramidBox, and use the max-in-out label and anchor matching strategy in SFD. In addition, we also introduce the attention mechanism to provide additional supervision. Over the most popular and challenging face detection benchmark, i.e., WIDER FACE, the proposed VIM-FD achieves state-of-the-art performance.

研究动机与目标

• 通过提升检测器的鲁棒性，解决在尺度、姿态、遮挡和光照等极端变化下的人脸检测挑战。
• 通过整合近期在数据增强、锚框匹配和注意力机制方面的进展，提升人脸检测性能。
• 优化检测器在 WIDER FACE 基准测试中的准确率与泛化能力，尤其针对小尺寸和难以检测的人脸。
• 通过现代技术重新实现并优化最先进检测器 [1]，以实现更优性能。
• 开发一种统一的、端到端可训练的人脸检测器，联合优化分类、回归与注意力监督。

提出的方法

• 采用 DenseNet-121 作为主干网络，以利用其特征密集连接与梯度流动优势，提升表征学习能力。
• 通过基于人脸与锚框尺度接近度的动态图像缩放实现数据-锚框采样增强，以丰富训练中尺度分布的多样性。
• 应用最大内-外标签分配与锚框匹配策略，以提升正样本选择效果，并减少困难样本中的误分类。
• 在锚框层级集成注意力机制，以抑制背景噪声，并增强对遮挡或低质量人脸的特征学习。
• 设计三分支网络架构：STC（第一阶段分类器）、STR（第一阶段回归器）以及用于联合预测分类、回归与注意力图的预测子网。
• 采用结合 STC、STR 与 ATT 损失的混合损失函数进行模型优化，实现端到端训练与多任务监督。

实验结果

研究问题

• RQ1 数据-锚框采样策略在不同尺度下如何提升人脸检测的泛化能力与鲁棒性？
• RQ2 与其它网络架构相比，使用 DenseNet-121 作为主干网络在 WIDER FACE 数据集上对检测准确率有何影响？
• RQ3 最大内-外锚框匹配策略如何提升正样本选择效果并减少误报？
• RQ4 注意力机制在遮挡或低质量人脸检测中以何种方式提升检测性能？
• RQ5 多种先进技术的组合在多大程度上促成了在 WIDER FACE 基准测试中的最先进性能？

主要发现

• VIM-FD 在 WIDER FACE 验证集 Easy 子集上达到 96.7% 的平均精度（AP），优于所有先前方法。
• VIM-FD 在 Medium 子集上取得 95.7% 的 AP，与最佳性能方法（DSFD）持平，但具备更优的鲁棒性与泛化能力。
• VIM-FD 在 Hard 子集上达到 90.7% 的 AP，为所有对比方法中的最高值，展现出在小尺寸与遮挡人脸检测中的卓越性能。
• 定性结果表明，VIM-FD 在“世界最大自拍”中成功检测出 890 张人脸，证实其在真实场景下的强大鲁棒性。
• 可视化结果表明，该模型在模糊、表情、光照、化妆、遮挡与姿态等多种属性下均表现出良好的泛化能力。
• 大量消融实验表明，每个组件——数据增强、主干网络选择、锚框匹配与注意力机制——均对最终性能提升有显著贡献。