[论文解读] WIDER FACE: A Face Detection Benchmark

Shuo Yang, Ping Luo+2 more|arXiv (Cornell University)|Nov 20, 2015

Face recognition and analysis参考文献 39被引用 66

一句话总结

本文提出了 WIDER FACE，一个大规模的人脸检测基准，包含 393,703 张人脸，分布在 32,203 幅图像中，涵盖极端的尺度、姿态、遮挡和光照变化。该研究提出了一种基于深度卷积网络的多尺度两阶段级联框架，以应对尺度变化，实现了最先进性能，并揭示了现有检测器在真实世界条件下存在的失败模式。

ABSTRACT

Face detection is one of the most studied topics in the computer vision community. Much of the progresses have been made by the availability of face detection benchmark datasets. We show that there is a gap between current face detection performance and the real world requirements. To facilitate future face detection research, we introduce the WIDER FACE dataset, which is 10 times larger than existing datasets. The dataset contains rich annotations, including occlusions, poses, event categories, and face bounding boxes. Faces in the proposed dataset are extremely challenging due to large variations in scale, pose and occlusion, as shown in Fig. 1. Furthermore, we show that WIDER FACE dataset is an effective training source for face detection. We benchmark several representative detection systems, providing an overview of state-of-the-art performance and propose a solution to deal with large scale variation. Finally, we discuss common failure cases that worth to be further investigated. Dataset can be downloaded at: mmlab.ie.cuhk.edu.hk/projects/WIDERFace

研究动机与目标

• 解决当前人脸检测性能与真实世界需求之间的差距，原因在于现有数据集挑战性不足。
• 提供一个大规模且多样化的基准，以推动在非约束条件下的人脸检测研究进展。
• 通过丰富的标注（包括遮挡、姿态、事件类别和边界框）实现对算法失败情况的深入分析。
• 开发并评估一种多尺度检测框架，以应对极端的尺度变化。
• 在新数据集上对最先进检测器进行基准测试，识别持续存在的失败案例，并为未来研究提供指导。

提出的方法

• 构建 WIDER FACE 数据集，包含 32,203 幅图像和 393,703 个标注人脸，规模为先前数据集的 10 倍。
• 对每个面部标注边界框、遮挡程度、姿态角度以及事件类别（如游行、交通、音乐会等）。
• 提出一种多尺度两阶段级联框架：首先使用多输入尺度网络生成人脸候选框，然后通过分类和回归进行检测优化。
• 使用交叉熵损失和欧氏距离损失，端到端训练全卷积神经网络，联合进行分类和边界框回归。
• 使用 IoU > 0.5 和中心距离匹配策略，将候选框分配给真实标注框，以实现正负样本采样。
• 通过在正样本数量低于总样本 10% 的情况下，对真实标注人脸进行随机裁剪，实现数据增强。

实验结果

研究问题

• RQ1 在真实图像中存在极端尺度、姿态和遮挡变化的情况下，最先进人脸检测器的性能如何退化？
• RQ2 与单尺度模型相比，多尺度两阶段级联框架在处理人脸检测中的大规模尺度变化方面是否更有效？
• RQ3 在高度多样的基准（如 WIDER FACE）上评估时，当前人脸检测器最常见的失败案例是什么？
• RQ4 在 WIDER FACE 数据集上进行训练，能在多大程度上提升基于深度学习的人脸检测器的泛化能力和鲁棒性？
• RQ5 不同事件类别（如交通、游行、体育迷）如何影响检测准确率，哪些类别最具挑战性？

主要发现

• WIDER FACE 数据集包含 393,703 张人脸，分布在 32,203 幅图像中，规模为第二大人脸检测数据集的 10 倍。
• 所提出的多尺度两阶段级联框架在 WIDER FACE 基准上实现了最先进性能，尤其在小尺寸和大尺寸人脸检测方面表现显著提升。
• 遮挡和极端姿态是最具挑战性的因素，尤其在最困难的 20 个事件类别中（如“暴动”、“葬礼”），检测率显著下降。
• 该基准揭示了现有检测器在小尺寸人脸（<20×20 像素）和严重遮挡人脸上的失败，即使在标准基准上表现良好。
• “游行”、“交通”和“体育迷”等事件类别检测率较低，原因在于背景杂乱和姿态复杂。
• 通过随机裁剪真实标注人脸实现的数据增强，提升了训练稳定性与正样本的平衡性，尤其在正样本稀少区域效果显著。