導言
自從anchor-based method出現之後，物體檢測基本上就離不開這個神奇的anchor了。只因有了它的協助，人類才在檢測任務上第一次看到了real time的曙光。但是，夾雜在通用物體檢測中，某些特定物體的檢測任務由於應用量巨大，以及該物體的特殊性，需要單獨拎出來考慮。其中最有代表性的就是人臉檢測。
人臉相對於其他物體來說有一個普遍的特點，就是在圖像中所佔像素少。比如，coco數據集中，有一個分類是“人”，但是人臉在人體中只佔很少一部分，在全圖像上所佔比例就更少了。本文所要介紹的S3FD[1]（Single Shot Scale-invariant Face Detector）正是要解決這個問題。
人臉檢測專用數據集—widerface
Widerface可以說是目前人臉檢測數據集中最難的，放一張圖大家感受一下
圖片像素1024*732，平均人臉像素10*13，難度可想而知。（一共標註了132個人臉，吃飽了撐的讀者可以數數看）
當然了，這張照片只是展示了人臉的大小引發的問題，還有其他像遮擋，大角度，旋轉等問題，由於不是本文的重點，不予過多討論。
SSD簡介
由於該算法是基於SSD來做的改進，首先簡單介紹一下SSD[2]。
如圖為SSD和YOLO的網絡結構，他們也是最早的一批實現了one-stage檢測的算法。可以看到，SSD為全卷積網絡，並且通過不同位置的layer進行預測。換句話說，用低層網絡檢測小物體，高層網絡檢測大物體。
當然了，SSD也有一些明顯的問題，比如對於小物體的recall很一般。部分原因是在利用低層網絡做預測時，由於網絡不夠深，不能提取到有效的語義信息。
總之，SSD檢測速度可以和YOLO媲美的同時，精度又可以和Faster RCNN媲美，而且很適合作為基礎框架進行進一步的改進。
傳統anchor機制在小人臉中遇到的問題
本文作者提出了四個問題：
1.人臉區域本身就小，經過幾個stride之後，特徵圖上就不剩什麼了
2. 相比於感受野和anchor的尺寸來說，人臉的尺寸小的可憐
3. 對於現有的anchor匹配策略，我們可以看到，人臉像素小於10*10的tiny face基本上一個anchor都匹配不到。而outer face這個問題其實是anchor-based方法的通病，每級anchor間大小差距越大，中間尺寸的mismatch現象就越嚴重。
4. 圖中每一個網格可以看成是某個特定尺寸的anchor。可以看到對於左邊的小人臉，正負比例嚴重失衡，這在訓練時，尤其是first layer，需要特別考慮。
網絡結構
1. 輸入大小640*640，從feature map大小為160*160開始，一直到最後5*5，共有6級預測網絡，anchor scale從16*16到最後512*512，依次指數加一（看了網絡結構強迫症表示很舒服）。
2. 每一個預測層，每個位置anchor只有一個（一個scale，ratio為1:1），因為在不扭曲圖片的場景下，人臉的比例大概就是1:1（可能有少部分大長臉比例達到了1:2，但是太少了忽略不計）。因此，預測conv輸出的特徵維度是2+4=6
3. 在作為預測的最低層的layer（即feature map大小為160*160）下面可以看到預測出來的特徵維度為Ns+4，不是2+4，然後跟了一個叫Max-out Background label的東西，這個後面會講到。
4. 中間的conv_fc6，conv_fc7是從VGG的fc層提取出來然後reshape，作為初始權重。
5. Normalization layers就是SSD_caffe中的Normalize。感興趣的可以去Github看weiliu89的SSD版本的Caffe代碼[2]。
如何解決問題
1. Anchor與anchor之間重疊區域多。比如第一級，stride是4，但是anchor scale是16，所以相鄰兩個anchor之間有很大一塊重疊區域，一定程度上解決了前文提到的outer face的問題。
2. 改進了anchor匹配策略。
如果按照SSD中的匹配策略，jaccard overlap高於閾值（一般取0.5），平均每個人臉只能匹配到3個anchor，而且tiny face和outer face能匹配的anchor數量大部分為0。
作者設計了新的匹配策略：
第一步，將閾值從0.5降到0.35
第二步，對於那些仍然匹配不到anchor的人臉，直接將閾值降到0.1，然後將匹配到的anchor按照jaccard overlap排序，選取top-N個。這個N作者設計為第一步中匹配到anchor的平均值。
再來直觀的對比一下新老匹配策略：
可以看到，average line和局部都有所提升。
3. 前面提到，小人臉導致正負樣本比例嚴重失衡。尤其對於最淺層的預測層，一方面anchor本來就多（像本文中的結構，第一級中anchor就佔了總數的75%），另一方面由於大部分anchor是背景，導致false positive顯著增高。所以為了減少這裡的false positive，作者採用了max-out background。
前面我們看到第一級預測出來的特徵維度是Ns+4，這裡NS=Nm+1。對於不採用max-out策略的網絡層，Nm可以看成是1，即只預測一個該anchor為背景的分數。但是這裡取3，可以理解為重複三次預測該anchor為背景的分數，然後取這三個分數中最高的那一個。最直接的結果就是提高了該anchor被預測為背景的概率，因此能夠減小false positive。
最後在widerface medium和hard等級上看看本文的成果（測試代碼可以在作者提供的github代碼中查看[3]）
可以看到尤其是hard等級上，本文算法有巨大的提升。
閱讀更多 人工智能小迷妹 的文章
