人脸检测对齐：基于多任务级联卷积网络（Joint Face Detection and Alignment using MTCNN）

Joint Face Detection and Alignment Using Multitask Cascaded Convolutional Networks

   《IEEE Signal Processing Letters》 , 2016 , 23 (10) :1499-1503

https://kpzhang93.github.io/MTCNN_face_detection_alignment/index.html
https://github.com/kpzhang93/MTCNN_face_detection_alignment

https://github.com/blankWorld/MTCNN-Accelerate-Onet
https://github.com/Seanlinx/mtcnn

本文虽然不是 CVPR 和 ICCV， 但是实用性很强，代码开源

   however it is not an end-to-end structure and the model is very complicated to train

人脸检测问题很重要。级联人脸检测器最早由文献【2】 Viola and Jones 提出的 AdaBoost 使用 Haar-Likefeatures 得到实时的人脸检测效果，但是这种类型的检测器在实际应用场景中的性能下降的很快。后来提出了使用 DPM来做人脸检测，效果不错，但是计算量很大。接着就是 CNN网络的崛起。总的来说CNN用于人脸检测效果不错，但是由于网络结构的复杂，计算量较大，检测速度达不到实时。人脸对齐也是一个研究热点，人脸对齐从算法上可以分为两类：基于回归的方法，基于模板拟合的方法。最近文献【22】提出用CNN来做人脸对齐。大部分文献都没有考虑人脸检测和人脸对齐之间内在的关联性。文献【18,20】做了相关的研究，但是性能不是很好。在训练中挖掘 hard samples   对于检测器性能的提升是很重要的，但是传统的 hard sample mining 都是离线的方式，这就显著增加了 manual operations。所以希望可以提出 online hard sample mining 。

本文的贡献有三点：

   1）我们提出了一个级联CNN框架用于人脸检测和对齐，精心设计了一个轻量级的CNN网络结构得到实时性能

   2）我们提出了一个有效的方法来进行 online hard sample mining 提升性能

   3）做了大量实验，证明了本文的方法性能优异。

II. A PPROACH

   A. Overall Framework

输入一幅图像经过缩放得到图像金字塔，然后将这个图像金字塔输入下面三个级联网络结构得到输出结果。

Stage 1: 我们建立一个全卷积网络，称之为 候选区域提取网络 proposal network (P-Net) 用于得到人脸候选区域及其矩形框回归向量，接着基于矩形框回归向量的估计对人脸候选区域进行校正，接着使用非极大值抑制融合高度重叠的区域。

Stage 2: 所有的候选区域输入到下一个CNN网络，我们称为之 refine network (R-Net)，用于进一步去除非人脸候选区域，使用矩形框回归校正人脸区域，进行非极大值抑制。

Stage 3: 这一步和上一步类似，但是我们加入了更多的supervision来确定人脸区域，这里的 O-Net 将会输出五个人脸特征点位置信息

B. CNN Architectures

   文献【19】提出使用多个CNN网络用于人脸检测，但是其性能不太好，我们分析原因可能如下：

   1）卷积层中一些 滤波器  可能不够多样化导致其 discriminative ability 有限

   2）和其他多类别 目标检测 和分类任务相比，人脸检测是一个复杂的二分类问题，所以可能每一层需要更少的滤波器。

   我们采取的措施是减少滤波器的数量，把滤波器的尺寸从 5 × 5 变为 3 × 3 来降低计算量，通过增加网络的深度来提升性能。通过这些措施我们的检测器比文献【19】的性能要更好，速度更快。对比如下图所示：

我们的网络结构如下图所示：

C. Training  

   我们将三个任务嵌入到我们的CNN检测器的训练中：人脸有无，矩形框回归，特征点定位

1) Face Classification: 对于这个任务，我们将学习目标函数看作一个二分类问题，对于每个样本，我们使用 the cross-entropy loss  

2) Bounding Box Regression: 对于每个候选矩形框，我们预测其和最近的真值矩形框的 偏差 offset，其学习目标函数为一个回归问题，采用 Euclidean loss

3) Facial Landmark Localization: 和矩形框回归类似，这里的特征点定位看作一个回归问题，采用 Euclidean loss

4) Multisource Training: 因为我们的每个 CNN网络需要完成多个不同的任务，在学习过程中存在不同类别的训练图像，如人脸区域，非人脸区域，局部对齐人脸区域。在这种情况下，某些损失函数可能没有使用。例如对于背景区域，我们只计算 L_det 第一个损失函数，其他两个损失函数都是0. 我们可以使用一个 sample type indicator   来实现这个功能， 所以最终的学习目标函数是：


   其中 N 是训练样本个数， α 是每个任务的权重系数，这里我们分别设置为 在 P-Net and R-Net 中为 1, 0.5, 0.5；O-Net 中为 1， 0.5， 1

   β 是 0或 1 的 sample type indicator， 这里我们采用 stochastic gradient descent 来训练这些CNN

5) Online Hard Sample Mining: 在每个 minibatch 中 我们通过对所有样本的损失函数的值进行排序，挑选最高的前70% 作为 hard samples 来计算 backward propagation 中的梯度

III. EXPERIMENTS

   这一部分首先验证 hard sample mining strategy 的有效性，接着验证算法的整体性能在各大数据库上的检测结果

   训练数据：

   1) P-Net: 我们从 WIDER FACE 数据库中随机裁出图像块用于收集 positives, negatives, and part face，然后我们从 CelebA 裁出人脸作为 landmark faces

   2) R-Net: 我们用第一步骤网络来对 WIDER FACE 进行检测人脸收集 positives, negatives, and part face，landmark faces 从 CelebA 中检测

   3) O-Net: 和 R-Net 类似，我们使用前两个步骤的网络检测人脸收集数据

B. Effectiveness of Online Hard Sample Mining

FDDB

AFLW 和 速度

免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删