Revisiting a single-stage method for face detection

[chullhwan-song]

https://arxiv.org/abs/1902.01559

[chullhwan-song]

Abstract

• 간단 리뷰하는 걸로..
• 기존의 2 stage detector들은 정확하지만, inference time에서 문제가 발생한다. 1 stage보다..
• 이 연구에서는
  • single-stage model 제안.
  • real-time face detection
  • 그럼에도 불구하고, 높은 정확도....(= prominently high accuracy)
  • ResNet101 backbone
  • FP를 낮추기 위한 context information = 최근 연구(segmentation, localization)는 이런 개념으로 거의 가는듯...

Single-stage networks for face detection

• SSD와 유사하다 -각 layer에서 detection
  • Conv2 3, Conv3 3, Conv4 3, Conv5 3, Conv6 2, Conv7 2 layer
  • 1x1 conv 연산을 통해 256 channel로..
  • Base convolutional layers & Extra convolutional layers 구성
    • Base convolutional layers = ResNet101 backbone
    • Extra convolutional layers = Conv6, 7 추가.

      FP 줄이는 전략

      

• Fusing features from the higher layer
  • Fig.1처럼 바로 이전 layer와의 결합.
  • Fig.2의 a와 동일
• Shared features for detection tasks
  • Fig.2의 b
  • "Single shot scale-invariant face detector(SFD)"라는 연구에서 보면,
    • 이 연구는 classification과 regression을 동시 convolution한다. 이러한 구조는 두개의 task 을 optimize한 학습을 하기가 매우 어렵다.
  • 이러한 문제를 해결하기위해, two branch로 분리(어.single model인가..)
• Anchor assigning strategy
  • SSD based
  • 기존 연구는 GT와 관련 Bounding Box가 매우 많다. - 항상 이런 문제점이 있어, 후보 box를 줄이려는 ..
  • 작은 얼굴에서만 anchor의 수를 늘린다. 하지만, Jaccard overlap의 threshold는 0.5 유지.

    Loss function

    

  • 얼굴이냐 아니냐. - classification
  • 얼굴의 위치 - regression

실험