版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
代码语言：txt复制 本文链接：[https://blog.csdn.net/chaipp0607/article/details/100538930](https://blog.csdn.net/chaipp0607/article/details/100538930) 简介
FaceBoxes是一个足够轻量的人脸检测器，由中国科学院自动化研究所和中国科学院大学的研究者提出，旨在实现CPU下的实时人脸检测，FaceBoxes论文是《FaceBoxes: A CPU Real-time Face Detector with High Accuracy》。
FaceBoxes原理
设计理念
FaceBoxes针对模型的效率和检测的效果做了很多设计，效率方面希望检测器足够快，检测效果方面希望有更高的召回率，尤其是针对小脸的情况，基于此：
- 一个下采样足够快的backbone，被命名为Rapidly Digested Convolutional Layers(RDCL)；
- 在用于检测的层和backbone中都引入多层分支的设计，被命名为Multiple Scale Convolutional Layers(MSCL)；
- 使用一种更密集的Anchor策略，提升模型的召回率；
下面详细的说明下这些设计。
网络结构
上图是FaceBoxes的整体结构图，在图中有标明Rapidly Digested Convolutional Layers(RDCL)和Multiple Scale Convolutional Layers(MSCL)，其实就是backbone的前后两部分。
- Rapidly Digested Convolutional Layers(RDCL) 所谓的快速消融卷积层，本质上就是计算量要小，下采样要快。对于一个目标检测或人脸检测模型来说，计算量高的很大一部分原因是输入图像尺寸大，图像分类任务中224是一个常用尺寸，而这个尺寸去做检测是几乎不可能的。所以FaceBoxes为了足够快，就在在前几层尽快的完成下采样，把特征图的宽高降下来。在上图RDCL的部分，一共只有四层，两层卷积个两层全连接，但是实现了4×2×2×2=324times2times2times2=324×2×2×2=32倍的下采样，而主干网络最后也只下采样128倍，绝大部分都在前几层完成了。 此外，RDCL中的卷积层并且由于是前两层卷积，可以使用CReLU，就像下图这样。
这让前两层卷积输出通道数可以更小，分别是24和64。也正是因为快速消融卷积层的存在，FaceBoxes把输入图像尺寸设置成了1024×10241024times10241024×1024。这个尺寸即便对于目标检测任务来说，都是不算小的。
- Multiple Scale Convolutional Layers(MSCL) MSCL就是backbone的后半部分，它有两个意思： 1.主干模型中使用了多层卷积，增加模型的宽度，丰富模型的感受野。这其实就是用了inception模块，在结构图上也能看出来，分别是inception1，inception2和inception3。inception模块的细节如下图。
inception3之后，FaceBoxes主干网络还有四层卷积，分别是Conv3_1，Conv3_2，Conv4_1和Conv4_2，卷积核1×11times11×1和3×33times33×3交替使用，完成最后两次下采样。
2.检测中使用了多层分支，这个就像SSD一样，多层分支已经是检测模型的标配了，FaceBoxes一共拉取了三层分支。分别在inception3，Conv3_2和Conv4_2的后面，在1024×10241024times10241024×1024输入的情况下，这三层的宽高也可以算出来，分别是32×3232times3232×32，16×1616times1616×16和8×88times88×8，再使用3×33times33×3的核进行卷积，没有做下采样，最后通道数量分别控制为(4 2)×21(4 2)times21(4 2)×21，(4 2)×1(4 2)times1(4 2)×1，(4 2)×1(4 2)times1(4 2)×1。
我们先说下(4 2)(4 2)(4 2)是什么，FaceBoxes在这里参考了RPN，RPN的两个分支就分别是4和2。输出2因为RPN在做是不是目标的预测，而人脸检测中目标只有人脸一类，所以FaceBoxes的2是在预测是不是人脸。剩下的4边界框的四个值了。
然后还剩下21,1,1三个数，这个和FaceBoxes选取Anchor的策略有关，我们放到下一个部分一起说明。
Anchor选择
FaceBoxes的Anchor选择没有多种比例，因为人脸差不多都接近一个正方形，所以每一层的Archor都是1:1的。尺度上每一层预设不同，在第一层分支上预设了三个尺寸，分别是32×3232times3232×32，64×6464times6464×64和128×128128times128128×128，负责预测图中的小目标。后两层各一个尺度，分别是256×256256times256256×256和512×512512times512512×512。
除此之外，FaceBoxes提出了一种Archor密集程度的概念，它通过下面的公式计算：
Adensity=AscaleAintervalA_{density} =frac{A_{scale}}{A_{interval}}Adensity=AintervalAscale
什么意思呢？密集程度是就是AdensityA_{density}Adensity，AscaleA_{scale}Ascale是Anchor的尺寸，AintervalA_{interval}Ainterval是Anchor间隔。尺寸上面提到过了，而间隔的意思就是说，在当前的特征图上向原图映射，那么特征图上一个点对应原图的区域是多少？
比如inception3这一层的输出特征图，它下采样了32倍了，所以Ainterval=32A_{interval}=32Ainterval=32。那么用尺寸与间隔的比值能反映出这个Anchor的密集程度。
比如第一层分支上尺寸为32×3232times3232×32的预设Anchor，此时的间隔也是32，在特征图上每一个点生成32×3232times3232×32Anchor，这样Anchor永远是不会有重叠的，计算得到的Adensity=1A_{density}=1Adensity=1。
按照这个公式，把五个尺寸的AdensityA_{density}Adensity都算出来，分别是1,2,4,4,4。这样就会发现前两个尺寸的Anchor密集程度太低了。而前两个Anchor主要就是做小目标预测的，这样不可避免的会影响小目标的召回率。怎么办？
文中提出了一种让Anchor变得密集的策略，其实就是生成一个Anchor之后，根据需要的数量，平移出来。平移的本质这个Anchor的中心点不再是特征图的那个对应像素点了，就像上图中画出来的那样。
最后为了补齐这个密集度，第一个尺寸的Anchor会变成4倍，第二个尺寸的Anchor会变成2倍，第三、四、五个尺寸Anchor不变，这样一来，上面我们提到的21,1,1这三个数就出来了。1,1就对应第四个和第五个尺寸的Anchor，而21=(4 2 1)×321=(4 2 1)times321=(4 2 1)×3。
损失函数
FaceBoxes的损失函数和RPN是完全一致的，交叉熵 SmoothL1，这个不再重复了。
性能评价
首先是一个在FDDB上的消融实验，分别验证了RDCL，MSCL和Anchor strategy，RDCL是对速度影响最大的因素，所以当只使用RDCL，不使用其余两个的时候，速度是最快的，但是效果也是最差的。
Anchor strategy对于最终的mAP有1%左右的影响。
最后，Faceboxes没有在wider face上的结果，可能是效果太差了吧╮(￣▽ ￣)╭，而是AFW，PASCAL face和FDDB
