Face-Detection-Solution - 假欢畅又何妨无人共享

Face Detection 人脸检测设计方案

1. 整体网络架构设计

DSFD：ResNet101, DPN−98, SE-ResNeXt101 32×4d、ResNet152、SE-ResNet101（SSD 架构、未进行上下层的融合）

Faceboxes：(conv+CReLU+pool)2 + inception 3 + conv * 4（SSD 架构、未进行上下层的融合）

PymaridBox：VGG16（LFPN架构）

VIM-FD ： densenet121 （SSD+attention：STR+STC）

S3FD：VGG16 （SSD + norm）

SSH: vgg16

Scale Face：Resnet 50

smallhardface：VGG16 （one shot、直通式架构：能实现这个性能简直有点不可思议！值得研究的架构）

SRN：combining DRN with Root-ResNet-18 to have a training speed/accuracy trade-off backbone for SRN

(比较新的架构、值得研究一下：STR+STC)

MSFD：VGG 16（上中下三层融合机制）

对于主干架构，通常选择 vgg16 或者 resnet50/101, 如果追求轻量级可以使用 mobilenetv2 or shufflenet v2。

2. 如何设计多尺度特征

常见的多尺度的设计方案：

（a）图像金字塔，即将图像做成不同的scale，然后不同scale的图像生成对应的不同scale的特征。这种方法的缺点在于增加了时间成本。有些算法会在测试时候采用图像金字塔。

（b）像SPP net，Fast RCNN，Faster RCNN是采用这种方式，即仅采用网络最后一层的特征。

（c）像SSD（Single Shot Detector）采用这种多尺度特征融合的方式，没有上采样过程，即从网络不同层抽取不同尺度的特征做预测，这种方式不会增加额外的计算量。作者认为SSD算法中没有用到足够低层的特征（在SSD中，最低层的特征是VGG网络的conv4_3），而在作者看来足够低层的特征对于检测小物体是很有帮助的。

（d）本文作者是采用这种方式，顶层特征通过上采样和低层特征做融合，而且每层都是独立预测的。

进入 2018年以来，大部分网络均采用 FPN 网络结构的形式，融合多个特征层进行检测。有时候会搭配一个独特设计的网络，比如SRN 的 STR_STC 结构、MSFD 的三层融合机制、DSFD 的 Two-shot 结构。都进行了不同程度的创新。

3. Loss 设计

（1）smooth l1 loss

Smooth l1 loss 的定义如下所示：

$smooth_{L_1}(x) = \begin{equation} \left\{ \begin{array}{**lr**} 0.5 x^2, if |x| < 1 \\ |x|-0.5, otherwise \\ \end{array} \right. \end{equation}$

（2）focal loss

$L_{focol\ loss} = \begin{equation} \left\{ \begin{array}{**lr**} -(1-y')^\gamma logy', y=1 \\ -y'^\gamma log(1-y'), y=0 \\ \end{array} \right. \end{equation}$

4. anchor 设计

anchor 设计的三个原则：
(1) anchor 的尺寸、长宽比、位置都应该 match 源数据中的bbox。一种方法是针对特定数据集设计anchor，如YOLOv2中的聚类，和近期有论文CNN训练anchor的设置，这些方法或许更适合某一数据集，但也可能影响模型的泛化能力，换一个库是否依然够用。
(2) anchor的size 必须小于感受野
(3) 不同size的anchor应当具有相同的空间密度分布。密度一致的话，要求 anchor/stride 为一个定值。