Tina-face小结

一、核心思路

人脸检测任务与通用目标检测是一派任务，检测上的tricks均可以在人脸领域测试使用。

①使用retinanet作为基本结构，轻量级backbone，轻量级fpn结构，

②加入了iou预测分支

③使用inception模块带来多尺度感受野，增加dcn模块进行灵活卷积

④框损失使用Diou-loss，使用GN代替BN。

网络结构如图：

 

 二、方法解读

①使用DCN，通过改变采样位置达到把注意力聚焦目标本身的目的，动态调整感受野；

    加入inception模块，即多尺度多感受野，检测出各种尺度的人脸

②Iou分支，加入iou分支在推理的时候，NMS的score依据更完善。解除分类分数和框质量之间的不匹配。

③Diou-loss，各种IOU-LOSS变体详见知乎链接，diou-loss就是既考虑了box四个点的相关性，又考虑了两框相交的各种形式，再加上中心点惩罚项形成的较完善的Iou-loss形式。

三、实验结果

消融实验，策略组合的情况

 

 几种策略或多或少均有提升。

当前SOTA模型的对比：

 

 

总体来说，借鉴通用目标检测领域的各种有效tricks，简单而实用地提升了人脸检测的效果，几乎达到了目前最高的水平。