百度 PyramidBox 人脸检测器

0. 前言

1.png

今天给大家介绍一篇百度的论文PyramidBox人脸检测器，这是一款上下文内容辅助的人脸检测器。我自己在比赛中对图像预处理，截取人脸也经常用这个模型去做，效果十分不错。

1. 概述

近几年来人脸检测发展十分迅速，现在主要的挑战是小人脸，模糊人脸，人脸遮挡。我们提出了一款基于上下文辅助的人脸检测器来解决上述的挑战，基于上下文我们做了以下三点工作

1. 我们设计了一种名为PyramidAnchor，这个上下文锚框，通过半监督方法来监督高级上下文特征学习
2. 我们提出了一种低层次特征金字塔网络(Feature Pyramid Network)，将高层级语义特征和低层级面部特征相结合，使得PyramidBox能一次(one-shot)预测所有尺度的面孔
3. 我们提出了一种上下文敏感(context sensitive)结构来提高预测精度

相关代码开源在https://github.com/PaddlePaddle/models/tree/release/1.8/PaddleCV/face_detection。

2. 想法提出

YOLO，R-CNN，SSD相关工作提出了一种很有效的方式去连接锚框和CNN网络，但这些工作没有关注人物背景信息，导致在一些极端情况下出现人脸漏检的情况，比如下图

2.png

我们单看左边的小图很难判断是否有人脸，但随着背景信息的加入，比如帽子，手臂，衣服，裤子等，这些都能帮助我们去推断人脸的位置。

• 网络不仅需要识别人脸，还需要识别背景信息，这就需要额外的标注信息，这里我们对背景信息采取半监督的方法去生成近似的label
• 在FPN基础上改造结构得到LFPN
• 对于预测网络需要充分利用我们新加的背景特征，就有了CPM（Context-sensitive prediction module）背景感知模块

3. PyramidBox

3.1 网络架构

• 骨干网络上继续沿用VGG16网络
• 在骨干网络后接入LFPN模块
• 对于每个金字塔预测层，接入CPM模块得到最终的输出

3.png

3.2 Low-Level Feature Pyramid Layers低层级特征金字塔

传统的FPN都是从最顶层进行特征融合，但是我们有以下几个观点

• 不同大小的，模糊的人脸具有不同的纹理特征，直接简单粗暴的将高层语义特征拿来融合效果并不好
• 高语义特征提取自面部纹理较少的区域，可能引入噪声信息

因此我们构建了一个低层级的特征金字塔层

我们选择感受野接近输入尺寸一半的卷积层，进行特征融合

具体结构形式如下

4.png

• 首先是对原尺寸特征图做一次下采样
• 下采样后的特征图进行1x1卷积缩放通道数
• 再将特征图上采样至原尺寸
• 最后进行element-wise 相乘（不要被图例欺骗了

3.3 PyramidDetectionLayer金字塔检测层

我们从整个网络选取了lfpn_2, lfpn_1, lfpn_0, conv_fc 7, conv 6_2, conv 7_2作为预测层

锚框大小设置为16, 32, 64, 128, 256, 512

采取类似SSD算法来进行目标检测

3.4 PredictLayer预测层

每个预测层后面都跟了一个CPM模块，形式如下

5.png

6.png

个人认为CPM模块设计吸收了GoogleNet的加宽网络的思想，将多层级特征进行级联

CPM模块的输出用于监督pyramid锚框

第L个CPM输出尺寸是

通道尺寸 为20

其中每个通道的特征用于分类，人脸，头部，身体锚框回归

人脸分类需要4个通道。

其中是前景和背景的max-in-out标签，其中的p和n分别代表positive(正类), negative(负类)

通道分配遵循下图规则

7.png

此外，头部和身体的分类各需要两个通道，面部，头部和身体的定位各需要4个通道

下面解释为什么第0层特征层是1， 3，而其他特征层是3，1?

8.png

我们可以从这两幅图很清晰的看到，大Anchor框住物体概率更高，小Anchor更加精细，同时错误率也会提高

因此在第0层只设置1个正类预测，而其他层设置3个

3.5 Max-in-out

Max-in-out是对在小尺寸人脸检测上发力的S3FD中的Max-out的改进，S3FD为了加强对小目标的划分，他做了如下的操作

9.png

Maxout选择负样本锚框中可能性最大的负锚框，作为最终预测为negative anchor的打分

而Max-in-out是对正负样本锚框做上述处理

3.6 PyramidBox loss Layers

我们使用一系列pyramid anchors来监督分类和锚框回归

• 对于分类我们采用softmax损失函数
• 对于回归我们采用Smooth L1损失函数

4. PyramidAnchor

设计多尺度锚框有利于人脸检测，但是由于锚框只是设计检测人脸而忽略了多尺度之间的背景信息

PyramidAnchors生成一系列锚框，针对大区域人脸包括更多背景信息，如头部，肩部，身体部分

我们通过区域大小来对应调整锚框大小

10.png

比如图中最大的紫色框框住的人脸，这个pyramid anchor 来自P3 P4 P5

我们放大图仔细看

11.png

其中P3是通过conv_fc7预测标注的人脸确定的，P4是通过conv6_2预测标注的头部部分确定的，P5则是由conv7_2标注的身体中的脸部部分

首先我们是固定的一个锚框

P3 P4 P5图的分辨率是逐渐减小的，而锚框不变，因此锚框框住的相对区域于是越来越大的

比如P3图中我们可以直接框住人脸，那么P4图分辨率减小，因此框住头部（更大的区域），P5图分辨率继续减小，因此框住的是部分身体

采取的是自监督方式生成label，遵循下面公式

12.png

通过计算锚框与目标区域的iou，根据阈值进行标记，文中设置相关参数如下

• threshold = 0.35
• K = 2
• = 2

其中K=2表示从0到2分别标注人脸，头部，身体这三个label

5. 实验结果

因为PyramidBox是基于S3FD改造的，所以以此为baseline进行对比

13.png

可以看到LFPN放置的位置对检测性能有一定程度上影响，在conv_fc7这里放置能取得更好的效果

6. 总结

百度的文章创新点还是很丰富的，把自监督引入人脸检测，通过Pyramid Anchor获取相关背景信息，辅助人脸检测。而且提点不是光靠改网络结构，选择了最朴素的Vgg16进行一定程度加深。也进一步证明了Pyramid Box和CPM对模型性能的提升。