代码:
(1)官方老版本:https://github.com/YonghaoHe/LFFD-A-Light-and-Fast-Face-Detector-for-Edge-Devices
(2)官方新版本:https://github.com/YonghaoHe/LFD-A-Light-and-Fast-Detector
摘要
anchor-base
单阶段
具体地,我们重新思考了感受野(RF)和有效感受野(ERF)在人脸检测背景中的重要性。从本质上讲,某一层神经元的RF在输入图像中是有规律分布的,这些RF是自然的“锚”。
该方法结合RF“锚”和适当的RF步长,理论上可以检测到覆盖范围为100%的大范围连续人脸尺度。在ERF和面部尺度之间关系的深刻理解为单阶段检测提供了有效的骨干。骨干具有8个检测分支和公共层,计算效率高。
介绍
基于anchor-base方法的三个挑战:
(1)锚点匹配不能充分覆盖所有人脸尺度。虽然这可以缓解,但仍然是一个问题;
(2)根据阈值IOU确定锚与真实框的匹配。该阈值是经验设定的,难以对其影响进行实证研究;
(3)不同尺度的锚点数量的设置取决于经验,这可能会导致样本不平衡和冗余计算。
本文的主要贡献:
(1)研究RF、ERF与人脸检测的关系。相关的理解激发了网络设计的动机。
(2)我们引入RF来克服以往基于锚的策略的缺点,从而得到一种无锚的方法。
(3)我们提出了一种新的具有公共层的骨干,用于准确和快速的人脸检测。
(4)大量实验证明本文提出的方法的优越性;
网络结构
损失函数
(1)分类:交叉熵损失函数;
(2)回归:L2损失函数;
实验
The optimization method is SGD with 0.9 momentum, zero weight decay and batch size 32.
权值为零衰减的原因是本文提出的网络中参数的数量远远小于VGG16。
参考
https://github.com/YonghaoHe/LFFD-A-Light-and-Fast-Face-Detector-for-Edge-Devices
人脸识别论文阅读笔记1 -- CVPR2019-LFFD - 知乎