MTCNN（四）人头检测数据集参数调整

调参情况

目录

一、原始结构上的参数调整

1.  ROI与黑白框

2.  minsize face to detect

scale stride

二、新网络结构的参数调整

2.1 minsize的调整

2.2 scale stride

三、新结构

3.1 关于nms的阈值。

---

 

一、原始结构上的参数调整

1.  ROI与黑白框

ROI			mAP（%）
不加ROI			50.06
[0 352]	[100 260]	白框	45.93
		黑框	51.72
[0 352]	[100 270]	黑框	52.40
[0 352]	[100 280]	白框	43.29
		黑框	53.49

彻底舍弃白框ROI

ROI			mAP（%）
不加ROI			50.06
[0 352]	[100 260]	黑框	51.72
[0 352]	[100 270]	黑框	52.40
[0 352]	[100 280]	黑框	53.49
[0 352]	[100 290]	黑框	54.08
[0 352]	[100 300]	黑框	54.40
	[100 305]		53.93
[0 352]	[100 310]	黑框	54.43
	[100 315]		54.38
[0 352]	[100 320]		53.01
[0 352]	[100 330]		51.87
	[10 310]
	[20 310]		56.07
	[30 310]		56.19
	[40 310]		57.70
	[45 310]		57.36
	[50 310]		57.19
	[60 310]		56.64
	[70 310]
	[80 310]		55.54
	[90 310]		54.99
	[100 310]		54.43
	[110 310]		53.58
	[150 310]		42.62

确定了右边的框为[40 310]

[]	[40 310]			57.70
[10 352]				56.69
[10 320]				56.69
[30 352]				54.34
[50 352]				48.57
[0 280]				56.59
[0 300]	[40 310]			57.70
[0 320]				57.70
[0 340]				57.70

ROI参数固定为[40 300]

2.  minsize face to detect

Minisize of face to detect	mAP（%）
20	57.70
30	59.98
33	59.79
34	59.74
35	60.37
36	59.42
37	60.00
40	57.28
50	51.66

ROI定为

[0 300]

[40 310]

MiniSize of face定为 35

scale stride

测试stride

初始0.7	60.37
0.9	60.91
0.8	60.56
0.5	59.24

二、新网络结构的参数调整

（pnet与rnet更改，onet为原版onet代码）

ROI=[0,300,40,310]

2.1 minsize的调整

scale stride=0.9

minsize	mAP(%)
35	61.84
32	~=62
30	63.08
27	~=62
25	62.43

2.2 scale stride

scale stride	mAP(%)
0.95	60.97
0.9	63.08
0.85	61.94
0.7	59.78

三、新结构

只有3×3的卷积，后两层padding都为same.

有7层卷积

3.1 关于nms的阈值。

可以增大相应的阈值来增大查准率precision，减小recall

关于非极大值抑制的阈值

非极大值抑制的方法是：假设有6个矩形框，根据分类器的类别分类概率做排序，假设从小到大的概率 分别为A、B、C、D、E、F。
(1)从最大概率矩形框F开始，分别判断A~E与F的重叠度IOU是否大于某个设定的阈值;
(2)假设B、D与F的重叠度超过阈值，那么就扔掉B、D；并标记第一个矩形框F，是我们保留下来的。
(3)从剩下的矩形框A、C、E中，选择概率最大的E，然后判断E与A、C的重叠度，重叠度大于一定的阈值，那么就扔掉；并标记E是我们保留下来的第二个矩形框。
就这样一直重复，找到所有被保留下来的矩形框。

阈值越大,则融合更不容易，产生的备选框越多

阈值设置	mAP(%)
inter scale nms: 0.5 pnet nms阈值：0.7 rnet nms阈值：0.7 onet nms阈值：0.7	62.97
inter scale nms: 0.5 pnet nms阈值：0.7 rnet nms阈值：0.9 onet nms阈值：0.7	64.65
inter scale nms: 0.5 pnet nms阈值：0.7 rnet nms阈值：0.9 onet nms阈值：0.9	58.05
inter scale nms: 0.7 pnet nms阈值：0.9 rnet nms阈值：0.9 onet nms阈值：0.7	65.08
inter scale nms: 0.4 pnet nms阈值：0.6 rnet nms阈值：0.8 onet nms阈值：0.7	62.92
inter scale nms: 0.5 pnet nms阈值：0.5 rnet nms阈值：0.7 onet nms阈值：0.6	60.73

对阈值调参，考虑到运行速度，nms的阈值暂时选用

增大阈值会增大precision，减小recall

inter scale nms: 0.5

pnet nms阈值：0.7

rnet nms阈值：0.7

onet nms阈值：0.7

Three thresholds for pnet, rnet, onet	mAP（%）
[0.8, 0.8, 0.8]	62.97
[0.9, 0.8, 0.9]	63.09
[0.8, 0.8, 0.9]	62.29
[0.9, 0.9, 0.95]	60.57
[0.9, 0.8, 0.95]	62.66
[0.8, 0.8, 0.95]	62.29