[论文解读] TinaFace: Strong but Simple Baseline for Face Detection

Yanjia Zhu, Hongxiang Cai+3 more|arXiv (Cornell University)|Nov 26, 2020

Advanced Neural Network Applications参考文献 62被引用 68

一句话总结

TinaFace 将人脸检测视为单类通用对象检测问题，在 WIDER FACE 上取得最先进的结果，基于 RetinaNet 的强大但简单的一阶段基线。它在 hard 上达到 92.1% AP，在经过测试时增强后达到 92.4% AP。

ABSTRACT

Face detection has received intensive attention in recent years. Many works present lots of special methods for face detection from different perspectives like model architecture, data augmentation, label assignment and etc., which make the overall algorithm and system become more and more complex. In this paper, we point out that extbf{there is no gap between face detection and generic object detection}. Then we provide a strong but simple baseline method to deal with face detection named TinaFace. We use ResNet-50 \cite{he2016deep} as backbone, and all modules and techniques in TinaFace are constructed on existing modules, easily implemented and based on generic object detection. On the hard test set of the most popular and challenging face detection benchmark WIDER FACE \cite{yang2016wider}, with single-model and single-scale, our TinaFace achieves 92.1\% average precision (AP), which exceeds most of the recent face detectors with larger backbone. And after using test time augmentation (TTA), our TinaFace outperforms the current state-of-the-art method and achieves 92.4\% AP. The code will be available at \url{https://github.com/Media-Smart/vedadet}.

研究动机与目标

• 证明可以将人脸检测有效地作为单类通用对象检测问题来处理。
• 提供一个基于标准检测模块的强大且简单的基线（TinaFace）。
• 展示 TinaFace 在 WIDER FACE 硬集子集上，使用 ResNet-50 主干，达到最先进或具有竞争力的结果。

提出的方法

• 以 ResNet-50 配合六层 FPN 主干作为常见、公平的基线。
• 引入一个 Inception 模块以增强多尺度特征。
• 增加一个 IoU 感知头，以预测框的 IoU 用于重新加权置信度。
• 在边界框回归中使用 DIoU 损失以更好地处理小目标。
• 用 GroupNorm 取代 BatchNorm，以在小批量训练时实现稳定训练。
• 可选地使用测试时增强（TTA）以提升性能。

实验结果

研究问题

• RQ1 可以在不使用专门的人脸组件的情况下，使用标准的通用对象检测技术有效解决人脸检测吗？
• RQ2 使用简单的、单尺度、单模型的流程，在 WIDER FACE hard 子集上可以达到怎样的性能？
• RQ3 结合 IoU-awareness 和距离-DIoU 损失是否能改善定位以及整体 AP，特别是对于小脸？

主要发现

• 在单尺度、单模型设置和 ResNet-50 主干下，TinaFace 在 WIDER FACE 硬集子集达到 92.1% AP。
• 在测试时增强后，TinaFace 在硬子集达到 92.4% AP，超过当前的最先进方法。
• 一个基于通用检测模块的强大基线可以超越许多使用更大主干的最近人脸检测器。
• DIoU 损失和 IoU 感知头有助于改善定位并降低小规模人脸的误检。
• 用 GroupNorm 替换 BatchNorm 可以在小批量条件下稳定训练。
• 表格结果显示 TinaFace 在验证集上达到 0.963 Easy, 0.957 Medium, 0.930 Hard；在测试集上达到 0.952 Easy, 0.947 Medium, 0.921 Hard，使用 ResNet-50（无 TTA）。