論文閱讀：CPU上的高精度實時人臉檢測器
綜述
人臉識別是計算機視覺和模式識別的基礎問題，過去幾十年取得了長足進步，但是由於計算量較大，在CPU上的實時檢測一直沒有很好的被解決。面臨的主要問題，一是人臉和背景的可變性都太大（種類太多），二是由於人臉的不同尺寸，使得搜索空間快速上升。
過去的主流方法，一種是基於手動構建的特徵（hand-craft features），這種方法在CPU上速度尚可，但是面對種類繁多的圖像變體精確度不足。另一種是基於CNN的方法，精確度足夠，但是在CPU上過於耗時，很難達到實時效果。
本文受Faster-RCNN中RPN、SSD中多尺度技術的影響，提出了一種名爲FaceBoxes的人臉檢測器並且可以在CPU上達到實時檢測的效果。網絡結構是一個完整的CNN架構，可以實現端到端的訓練，雖然網絡結構輕量，但效果突出。包含了RDCL和MSCL。
1. RDCL
Rapidly Digested Convolutional Layers (RDCL)旨在讓檢測器在CPU上達到實時檢測的速度。
- 1.通過在卷積層和池化層設置較大的stride size來很快的減小input size。
- 2.選擇合適的kernel size。前幾層的kernel應該小一些這樣達到加速計算的效果，同時也不能過小，要保證它可以緩解（1）中較大的步長帶來的信息損失
- 3.用C.ReLU激活函數來減少輸出通道。
2. MSCL
Multiple Scale Convolutional Layers (MSCL)旨在讓感受野更加豐富，爲不同尺度的anchor設置不同的檢測層，來檢測不同尺度的人臉。
在網絡 深度 的維度進行多尺度設計
思路和上一篇論文相同，設置不同尺度的anchor，分別與不同層級的layer關聯，在不同尺度分別檢測。
在網絡 寬度 的維度進行多尺度設計
顯然，這樣的設計包羅了各種不同的尺度，可以使感受野更加豐富，從而很好的處理各種不同尺度的人臉。
3. anchor密度設計
同時還使用了一些小技巧使得不同的anchor在圖片上密度相同，有效提高了小型人臉的召回率。（其實這一點在上一篇論文裏也用到過，畢竟都是自動化所的論文）在人臉識別中，我們一般把anchor的長寬比置爲1，因爲一般方框可以正好框住一張人臉。anchor的間隔對應的就是stride size，比如某一層的stride size爲64，anchor是256*256，意味着每64個像素就有一個256*256的anchor。定義anchor密度爲
A-scale是anchor的尺度大小，A-interval是間隔（也就是stride size）
不同密度anchor會對檢測的效果造成影響，因此儘量追求密度均衡。給A-density設置固定值。實現方式也是通過設置不同的stride size
Reference
Zhang, Shifeng, et al. “Faceboxes: A CPU real-time face detector with high accuracy.” Biometrics (IJCB), 2017 IEEE International Joint Conference on. IEEE, 2017.