FaceBoxes: A CPU Real-time Face Detector with High Accuracy（论文解析+源码阅读）

论文：FaceBoxes: A CPU Real-time Face Detector with High Accuracy

代码地址：https://github.com/TropComplique/FaceBoxes-tensorflow

CPU上的高精度实时人脸检测器

综述

       人脸识别是计算机视觉和模式识别的基础问题，过去几十年取得了长足进步，但是由于计算量较大，在CPU上的实时检测一直没有很好的被解决。面临的主要问题，一是人脸和背景的可变性都太大（种类太多），二是由于人脸的不同尺寸，使得搜索空间快速上升。 
       过去的主流方法，一种是基于手动构建的特征（hand-craft features），这种方法在CPU上速度尚可，但是面对种类繁多的图像变体精确度不足。另一种是基于CNN的方法，精确度足够，但是在CPU上过于耗时，很难达到实时效果。 
本文受Faster-RCNN中RPN、SSD中多尺度技术的影响，提出了一种名为FaceBoxes的人脸检测器并且可以在CPU上达到实时检测的效果。网络结构是一个完整的CNN架构，可以实现端到端的训练，虽然网络结构轻量，但效果突出。

网络结构

faceboxes的三个spotlight：

• 设计RDCL层：加速faceboxes在cpu上至实时处理速度，有三个策略：

1. 快速减少feature map尺度：在这个模块中，卷积的滑动步长是很大，属于比较稀疏的滑动卷积。其中conv1滑动步长为4，使得feature map缩小1/4，conv2使得滑动步长为2，使得feature map缩小1/2，pool1,pool2分别缩小1/2，最终feature map缩小1/32。这样就使得feature map减小的比较快，速度也就会提升。
2. 选择合适的卷积核尺度：conv1、conv2、所有的pooling操作中，卷积核尺度为7 x 7、5 x 5、3 x 3，作者认为使用大尺度可以获取更大的感受野，进而获取更多的上下文信息；这个需要和1配合着理解，1快速减少了feature map尺度，丢失了很多信息，2通过更大的卷积核匹配上1中快速下降尺度造成的感受野与feature map尺度不匹配的问题，这样就达到了一个折中的效果；
3. 使用C.Relu替代Relu，可以减少卷积核数目，但经过C.Relu后卷积核数目（对应的就是feature map changel数目）又可以翻倍；（了解crelu）

• 设计MSCL层：丰富感受野和离散化anchor至不同的feature map上，在实现原理上很简单：

1. 丰富感受野，使用了googlenet的inception结构
2.  

2.1 ：使用了googlenet的inception结构，参照文中fig1、fig2(b)；

2.2 离散化anchor至不同的feature map：复用了SSD的做法，以处理人脸的大尺度变化，参照文中fig1；

3 anchor密集采样策略：对浅层feature map(如faceboxes中的inception3)检测的小尺度目标，其对应anchor(小目标对应的anchor一般预定义比较小，如32 x 32、64 x 64等)，做更加密集的anchor采样，使得小目标anchor的采样密集与大目标采样密度一致，这样可以提升对小目标的召回率；-----CVPR2018 ZCC针对anchor密集采样给出了更合理的解释，提出了emo score，从理论上认证了采用anchor密集采样的优点：https://zhuanlan.zhihu.com/p/35856534