ChenJM
FaceBoxes（IJCB, 2017）

  28 Oct 2017

论文： Zhang S, Zhu X, Lei Z, et al. FaceBoxes: A CPU Real-time Face Detector with High Accuracy[J]. 2017.

Github: https://github.com/zeusees/FaceBoxes

论文算法概述

   提出一种能在CPU上实时运行的人脸检测模型FaceBoxes。该论文主要有四点贡献：
   1、设计出Rapidly Digested Convolutional Layers (RDCL)，使检测在CPU上能达到实时；
   2、引入Multiple Scale Convolutional Layers (MSCL)，通过扩大感受野并将anchors分散到不同的层上去，用以处理不同尺度的人脸；
   3、提出一种新的anchor稠密话策略，用以提高小人脸检测的召回率；
   4、该模型在多个数据库上能取得较好效果。

Rapidly Digested Convolutional Layers

  1. 将conv1、pool1、conv2和pool2的步长分别设为4、2、2、2，则共32倍缩小；

  2. 核大小要小以提高速度，但也要足够大以减缓维度降低造成的损失，则论文conv1、conv2和所有池化的核大小分别设为7x7、5x5、3x3。

  3. 使用CReLU减少计算量，参考论文《Understanding and Improving Convolutional Neural Networks via Concatenated Rectified Linear Units》。

Multiple Scale Convolutional Layers

RPN一种类别不可知的物体检测算法，在Faster RCNN中用于region proposals的生成。但RPN若作为一个单独的检测器来使用，则无法达到较好的效果。

作者认为主要有两个原因：

  1. 在RPN中，anchors仅跟最后一层卷积层相关联，而该层网络的特征和分辨率都较弱，不足以处理各种尺度的人脸；

  2. 与anchor相关联的层负责检测对应尺度范围的人脸，但这里只有单一感受野而不能满足各种尺度。

作者的处理方式是：

  1. 将anchors与多个不同的层相关联，如图1中Inception3、conv3_2、conv4_2；

  2. 采用Inception模型，内含多个不同大小的卷积核，具有多种大小的感受野。

Anchor densification strategy

anchor设为1：1的正方形，其大小也如图1所示。默认Anchor的覆盖间隔与对应层的滑动步长一致，例如conv3_2的滑动步长是64，而其anchor为256x256，即在输入图像上每64个像素就套上一个256x256的anchor。定义anchor的覆盖密度为：A_density = A_scale / A_interval，A_scale是anchor的尺度，A_interval是覆盖间距。这里对应着Inception3、conv3_2和conv4_2的默认anchor的间距分别为32，32，32，64和128，那么对应的密度则为1，2，4，4和4。这就使每个尺度上的anchor密度不均衡，特别是小尺度对应的anchor过于稀疏，会导致对于小脸检测的召回率不高。所以作者提出一种新的anchor稠化策略，这里将32x32的anchor增加4倍，64x64的增加2倍，使达到均衡。如图3所示。

Experiments

总结

基于SSD优化：

  1. 使用了CReLU去减少计算量；

  2. 对RPN进行了调整，将anchor与多个层关联（即SSD的方式），并采用Inception结构以增加感受野种类，后直接输出最终的检测结果（原始的RPN只用于提取proposal，作者认为RPN中anchor只跟最后一层卷积相关联，特征图分辨率、特征表达能力和感受野都较为单一，若其结果直接作为最终结果则无法满足多尺度人脸的检测。）

  3. 因为结合了多层网络，每层尺度不同，则anchor的覆盖密度不同，则采用一种anchor稠化策略，调整anchor的步长来平衡每层的anchor，如这里将32x32的anchor增加4倍，64x64的增加2倍。