轻量级人脸识别之DSFD

AI算法半路出家的过程其实是有点痛苦的，告别了曾经熟悉的领域，在陌生又熟悉的道路上摸索着前进，其中的焦虑、彷徨以及面对信息过载的不知所措，常常让人怀疑当初的选择。好在，硬核人生不会被小小的困难劝退，我们有很多路径可以到达彼岸。也特别感谢科技和网络的进步，让知识的获取不再是少数人的专利。前些天找到了一个比较牛的AI学习网站，老师的授课方式风趣幽默，通俗易懂，让学习的过程兴趣盎然，忍不住推荐给大家。点击跳转到网站
———————————————我是分割线———————————————————

1. 算法介绍

高精度双分支人脸检测器DSFD由腾讯提出并开源。该算法曾在全球两大权威人脸检测数据集WIDERFACE和FDDB上均取得了第一。相关论文：《DSFD: Dual Shot Face Detector》，https://arxiv.org/pdf/1810.10220.pdf

DSFD算法主要有3点创新：

(1) 设计了新的FEM（Feature Enhance Module）模块，FEM在采用Top-Down层间信息融合的同时，在同一“感受野”内做了更多的enhancement，在width and depth上能学习到更有效的context和semantic信息。

(2) 提出了“分层锚点渐进”式的代价函数监督PAL（Progressive Anchor Loss）。模型采用2个层级（hierarchy），基于第一层（low-level）和第二层（high-level）的差异性，适配不同尺寸的anchor。在训练过程中，PAL可对整个模型形成更有效的监督。

(3) 设计了一种“改进的锚点匹配策略”（Improved Anchor Matching Strategy）。One-stage detector由于在输出层分配有密集的anchor，anchor与face匹配的好坏直接影响训练效果。DSFD算法充分考虑了不同大小的face和各个anchor的关系，提出了一种新的数据扩增法。

DSFD算法的整体框架主要包括三个部分：特征增强模块（FEM），分层锚点渐进式的代价函数（PAL），改进的锚点匹配策略（IAM）。

算法框架图如下：

2. 算法评估结果

2.1 WidlerFace评估结果

DSFD算法在WiderFace数据集上的评估，Validation和Test两个评估集上的结果均为Top1，在Validation上的结果为：easy：0.966， medium：0.957，hard：0.904；在Test上的结果为：easy：0.960，medium：0.953，hard：0.900。

在WiderFace数据集上的可视化结果：

2.2 FDDB评估结果

FDDB数据集召回率的计算方式不同，可以分为Discrete和Continuous两种评估方式。下图为DSFD在FDDB数据集上的评估结果，其中横轴为Falsepositives (误检数量)，纵轴为Truepositives (召回率)。

在FDDB上的可视化结果：

3. 算法实现

腾讯的官方代码实现在GitHub - Tencent/FaceDetection-DSFD: 腾讯优图高精度双分支人脸检测器

运行环境如下：

Torch == 0.3.1
Torchvision == 0.2.1
Python == 3.6
NVIDIA GPU == Tesla P40
Linux CUDA CuDNN

此外，网络上还流行一个DSFD的Tensorflow实现，与原论文稍微有些出入，但亲自试下来效果还不错。GitHub - 610265158/DSFD-tensorflow: a tensorflow implement dsfd face detector

运行环境：

Tensorflow2.0.0
OpenCV
python 3.6

该算法实现的模型大小在580K左右，在WiderFace和FDDB两个数据集上的表现如下：

本地运行结果：