人脸检测 RetinaFace

 

ap不高，挺快，号称1000fps

https://github.com/ShiqiYu/libfacedetection

 

这个6ms,能检测近距离人脸，无关键点 mxnet

https://github.com/jacke121/faster-mobile-retinaface

后来又更新了:

https://github.com/1996scarlet/faster-mobile-retinaface

 

https://github.com/biubug6/Pytorch_Retinaface

mobile0.25，大概:

tx2

8路170多ms gpu 3.38g

4路，90ms

1路，68ms

pelee:

tx2

8路310多ms gpu3个多g

4路，150ms

带68个关键点：有训练代码

权重在out里，近距离还行，远了不能检测，检测一次46ms，关键点不是特别准。

https://github.com/ElvishElvis/68-Retinaface-Pytorch-version

改了测试代码，加了topk

https://github.com/jacke121/68-Retinaface-Pytorch-version

移动端快速人脸检测模型是基于RetinaFace的优化去掉stride8以及stride32和stride16的landmark 在CPU位Intel(R) Pentium(R) CPU G2020 @ 2.90GHz(2900 MHz)的设备中人脸检测可达到40ms/帧

https://github.com/qaz734913414/ncnn_faster-mobile-retinaface

 

号称比原版还好，resnet50

https://github.com/bleakie/RetinaDetector

fddb数据集：

https://drive.google.com/file/d/17t4WULUDgZgiSy5kpCax4aooyPaz3GQH/view

 

这个权重更小：出5个关键点，好 300*255  32 110ms

https://github.com/biubug6/Pytorch_Retinaface

 

这两个是resnet50，可以检测别的：

https://github.com/bleakie/RetinaDetection

https://github.com/deepinsight/insightface/tree/master/RetinaFace

 

这个13ms，但是误检率很高，无关键点。

https://github.com/jacke121/Ultra-Light-Fast-Generic-Face-Detector-1MB

 

cpu版，100ms，无关键点,严重侧脸也能检测：

https://github.com/Star-Clouds/centerface

 

c++

https://github.com/clancylian/retinaface

这个权重113m，出3个角度方向

https://github.com/supernotman/RetinaFace_Pytorch

人脸方向是个网络，90多m权重

https://github.com/natanielruiz/deep-head-pose

 

ImageNet ResNet50 (baidu cloud and dropbox).

ImageNet ResNet152 (baidu cloud and dropbox).

WIDER FACE数据集是由香港中文大学发布的大型人脸数据集，含32,203幅图像和393,703个高精度人脸包围框，该库中人脸包含尺度、姿态、表情、遮挡和光照等变化。

 

WIDER FACE 几乎是目前评估人脸检测算法最权威的数据集。

 

RetinaFace 是今年5月份出现的人脸检测算法，当时取得了state-of-the-art，作者也开源了代码，过去了两个月，目前仅以极其微弱的精度差屈居第二名，但因为第一名的AInnoFace算法（来自北京创新奇智公司）没有开源，所以目前RetinaFace可称得上是目前最强的开源人脸检测算法。

 

 

RetinaFace来自论文RetinaFace: Single-stage Dense Face Localisation in the Wild，作者来自帝国理工学院、InsightFace、Middlesex University London、FaceSoft。

 

相信很多朋友对InsightFace并不陌生，它是目前针对2D与3D人脸分析（含检测、识别、对齐、属性识别等）最知名和开发者最活跃的开源库。RetinaFace代码已经并入该库。

在6个子集中，RetinaFace取得1个第一名，2个并列第1名，3个以极其微弱精度差屈居于第二名。

 

RetinaFace使用特征金字塔网络架构：

retinaFace在2019.05月份宣告开源，给mtcnn算法带来不少冲击，目前来看，不论从检测准确率还是检测时间来看，retinaFace都比mtcnn算法好不少，今天小编对retinaFace和mtcnn进行简单的比较

 

目前来看，mtcnn算法只有一个缺点，就是当图像中的人脸数目比较多的时候，mtcnn人脸检测算法的的性能下降的比较快，而retinaFace算法不受人脸数量的限制，这是由于 mtcnn算法使用了图像金字塔算法，需要对图像进行多次缩放，导致前向运算次数比较多，严重拖慢了检测速度，而retinaFace是基于FPN的检测算法，无需进行图像金字塔，仅需要前向运算一次即可，好了说了那么多，下面跟着小编的步伐，从应用的角度比较一下。

 

其主要创新点在损失函数的设计。

 

下图说明了RetinaFace的核心思想：

 

在人脸检测多任务学习中，除了传统的人脸分类损失函数和包围框回归损失函数，作者额外标注了人脸 5 点信息，并以此引入人脸对齐的额外监督信息损失函数，还引入了self-supervised解码分支预测3D人脸信息分支。

 

集合了更多监督信息和自监督信息，是 RetinaFace 取得成功的关键。

 

很多时候，人脸检测是为了后续的识别，作者特意将检测结果送入人脸验证网络，在IJB-C test set上测试结果表明可以提高ArcFace的人脸验证精度(TAR=89.59% for FAR=1e-6)。

 

 

由上图可知，相对于MTCNN，在助力人脸验证上有一致性精度提高的表现。

 

更为难能可贵的是，使用轻量级骨干网络，RetinaFace算法在CPU上测试VGA图片可以达到实时。如下图：

 

 

感谢作者的开源，欢迎给大佬加星！

 

论文地址：

https://arxiv.org/pdf/1905.00641.pdf

代码地址：

https://github.com/deepinsight/insightface/tree/master/RetinaFace