【人臉檢測】DBface_small深度剖析

摘要： 基於高斯熱力圖的目標檢測是anchor free中的代表方法，其具有原理簡單，易於拓展，後處理簡單等優勢。

1. 簡介

採用熱力圖做人臉檢測，最開始是Centernet的出現，其在通用通用目標檢測，人體關鍵點檢測，3D目標檢測上都達到了std的效果。後來就出現了centerface，採用mobilev2做bonenet，做人臉與關鍵點檢測。但，項目只給出了推理代碼，沒有給出訓練代碼。後面我借鑑Centernet項目，復現了一個版本：CenterFace.pytorch，但，訓練結果沒法達到原文的最好效果。且代碼是用的Centernet，所以可讀性較差。

今年，出現了DBface，和dbface_small，其中dbface_small只有1.4M也能和retinaface_small一樣的精度。同時，項目重構的代碼，結構清晰，也便於理解和閱讀。

2. 網絡模型結構

2.1 神經網絡部分

直接上圖（PPT畫的，😂😂😂）

• Block
  就是一個殘差模塊

• ResSE
  在每個殘差模塊的shortcut前，增加一個SE模塊

• FPN中的UP（借用原作者的經驗）
  雙線性插值Bilinear+Conv+BN+Activation的上採樣模塊，優於用反捲積、最近鄰插值等，所以比較推薦，但是不同框架對這個的支持不一樣，造成使用困難

• SSH
  在輸出加了一個SSH模塊，增強特徵

• 輸出
  有三個分支，分別對應人臉box中心點的高斯熱力圖，人臉box，人臉關鍵點landmark

2.2 模型原理部分

• hm loss
  人臉box中心點hm的尺寸爲：200*200，hm_target也是200 * 200 ，採用focal loss作爲損失函數。hm_target == 1表示正樣本，hm_target < 1的表示負樣本。所以一個目標用anchor的理念，就只有一個anchor。

  • 引入pos_weight，改善大目標檢測
    CenterNet AnchorFree的特性是所有目標都一個點，正類貢獻無論目標尺寸大小都一樣，Anchor Base的特性是目標越大正類loss貢獻越大，也正因此，大目標在CenterNet上訓練效果總是不好，解決大目標不行，本項目提倡增加pos_weights來處理，並且增加大目標的權重，實驗證明有良好的提升大目標效果

• box loss——giou loss
  box輸出爲200 * 200 * 4。在Centernet項目中是預測的w，h，採用的是L1loss。DBface中人臉box採用的是[x1, y1, x2, y2]左上，右下，相對box中心的偏差，並用giou loss。

• landmark loss
  landmark輸出爲200 * 200 * 10。其也是相對於box中心點的偏差。人臉關鍵點採用WingLoss

Reference

1. Centernet
2. centerface
3. CenterFace.pytorch
4. DBface