人脸识别学习笔记三：强化篇

人脸识别学习笔记三：强化篇

一、MTCNN原理

1.MTCNN的推理流程

MTCNN包括三个阶段：在第一阶段，通过一个浅层的CNN网络来快速生成检测窗口作为第二阶段的输入。第二额极端，通过一个更复杂的CNN网络来剔除大量非面部窗口，以达到细化候选窗口的目的。第三阶段，使用一个更强大的CNN网络来再次细化结果，并输出5个人脸关键点的位置。这三个阶段分别对应三个网络：P-Net、R-Net和O-Net。

注意：第一阶段的输入并不是原始图像，而是将图片调整到不同比例之后，得到一个图像金字塔，将其作为输入。

• P-NET(Proposal Network)：P-Net是一个全卷积网络，用来获得人脸的候选窗口(candidate facial windows)以及他们的边界框回归向量(bounding box regression vectors)。之后通过估计的边界框回归向量校准候选窗口。之后，我们采用了非极大值抑制(non-maximum suppression, NMS)来合并高度重合的候选框。

• R-NET(Refine Network)：R-Net进一步拒绝了大量错误的候选框，之后通过候选窗口的边界框回归进行校准，之后执行NMS。

• O-NET(Output Network)：O-Net和之前类似，但是O-Net会识别出更多标注的人脸区域，并且这个网络会输出五个面部特征点的位置。

2.CNN的结构

由于Cascade CNN的的性能可能受到以下限制：

• 卷积层中的某些卷积核缺乏可能限制其辨别能力的多样性。

• 与其它检测任务相比，人脸检测是一项二分类任务，因此每层可能需要的滤波器数量较少。

因此，MTCNN减少滤波器的数量并将5×5的卷积核更改为3×3以减少计算，同时增加深度以获得更好的性能。通过这些改进，可以在更少的运行时间内获得更好的性能。为了公平比较，在每个组中使用相同的训练和验证数据。MTCNN将PReLU作为卷积层和全连接层（输出层除外）之后的非线性激活函数。

3.训练模型

MTCNN人脸检测器的训练分为三个任务(task)：面部/非面部分类(face/non-face classification)、边界框回归(bounding box regression)和面部关键点定位(facial landmark localization)。

1. 人脸分类：这是一个二分类问题。对于每个样本$x_i$，使用交叉熵损失：

   $$L_i^{det}=-(y_i^{det}log(p_i)+(1-y_i^{det})(1-log(p_i)))\text{\hspace{1em}(1)}$$

   其中$p_i$是样本$x_i$被网络判定为人脸的概率，$y_i^{det}$是样本$x_i$的标签，只有0和1这两个取值。

2. 边界框回归：对于每个候选窗口，预测它与最近的样本真实值(ground truth，在有监督学习中，Ground Truth通常指代样本集中的标签)之间的偏移量（即边界框的左边、顶部、高度和宽度）。这是一个回归问题。对于每个样本$x_i$，使用欧式距离来度量损失：

   $$L_i^{box}=||{\hat{y}}_i^{box}-y_i^{box}|{|}_2^2\text{\hspace{1em}(2)}$$

   其中，${\hat{y}}_i^{box}$是网络预测的回归结果，$y_i^{box}$是样本真实值的坐标（包含四个维度：左边、顶部、高度和宽度，因此是一个四维向量）。

3. 面部关键点定位：这也是一个回归问题。对于每个样本$x_i$，使用欧式距离来度量损失：

   $$L_i^{landmark}=||{\hat{y}}_i^{landmark}-y_i^{landmark}|{|}_2^2\text{\hspace{1em}(3)}$$

   其中，${\hat{y}}_i^{landmark}$是网络预测的回归结果，$y_i^{landmark}$是第i个样本的真实值的坐标（包含五个关键点：是左眼，右眼，鼻子，左嘴角和右嘴角，因此是一个十维向量）。

4. 多源训练(Multi-source trainning)：由于我们在每个CNN中使用不同的任务，所以在学习过程中有不同类型的训练图像，如人脸、非人脸和部分对齐的人脸。在这种情况下，一些损失函数(即等式1-3)不会被用到。例如，对于背景区域的样本，我们只计算$L_i^{det}$，其他两个损失设为0。这可以直接用样本类型指示器来实现。然后总体学习目标可以表述为:

   $$min{\Sigma }_{i=1}^N{\Sigma }_{j\in \{det,box,landmarks\}}{\alpha }_j{\beta }_i^j{L}_i^j\text{\hspace{1em}(4)}$$

   其中N是训练样本的数量，${\alpha }_j$是任务的重要性(也就是不同任务的损失函数所占的权重)。在P-Net和R-Net中，${\alpha }_{det}=1,{\alpha }_{box}=0.5,{\alpha }_{landmark}=0.5$；在O-Net中，规定${\alpha }_{det}=1,{\alpha }_{box}=0.5,{\alpha }_{landmark}=1$来获得更为准确的人脸关键点位置。${\beta }_i^j$是样本类型指示器，用于指示样本的类型。j有三个取值：det、box和landmrks，${\beta }_i^j$有0和1两个取值。最后使用梯度下降法来训练模型。

5. 在线难样本挖掘(Online Hard sample mining)：与传统的在原始分类器训练后进行难样本挖掘不同，MTCNN在人脸/非人脸分类任务中进行在线难样本挖掘，这与训练过程相适应。特别是，在每一个小批量中，从所有样本中对前向传播计算的损耗进行排序，并选择其中前70%作为难样本。然后只计算这些难样本在反向传播中的梯度。这意味着忽略了那些在训练中对增强探测器帮助不大的简单样本。实验表明，该策略在不需要人工选择样本的情况下取得了较好的性能。

二、MTCNN的训练数据

因为人脸检测和人脸对齐是结合在一起的，所以在训练过程中将数据标注为了四类：

• 负样本(Negatives)：指那些和任何真实人脸样本(ground-truth faces)相比，并交比(也称雅卡尔指数，Intersection-over-Union, IoU)小于0.3的区域
• 正样本(Positives)：和一个真实人脸样本(a ground-truth face)的IoU大于0.65的区域
• 部分人脸样本(Part faces)：和一个真实人脸样本(a ground-truth face)的IoU在0.4和0.65之间的区域
• 关键点人脸样本(Landmark faces)：包含了五个人脸关键点的样本

注意：在部分人脸样本和负样本之间的IoU值不存在明显的差距，并且不同的人脸标注之间也存在差异。因此，选择IoU值相差在0.3-0.4之间的样本作为训练数据。其中，正样本和负样本作为人脸分类的训练数据，正样本和部分人脸样本作为边界框回归的训练数据，关键点人脸样本作为面部关键点定位的训练数据。并且负样本：正样本：部分人脸样本：关键点人脸样本=3:1:1:2。

每个网络的训练数据集描述如下：

1. P-Net：从WIDER FACE中随机裁剪了几个窗口来收集正、负、部分脸样本。之后，从CelabA中截取面部作为关键点样本。
2. R-Net：使用框架第一部分检测来自WIDER FACE的人脸来收集pos,neg,part样本，同时检测来自CelebA的关键点样本。
3. O-Net：与R-Net的数据收集类似，但是这次使用框架的前两个部分来检测脸部和收集数据。

三、一些小细节

1.图像金字塔(image pyramid)

1. 为什么需要图像金字塔？

   由于原始图像中，存在大小不同的脸，为了在统一尺度下检测人脸，进入网络训练之前，就要将原始图片缩放至不同尺度。以增强网络对不同尺寸大小人脸的鲁棒性。

2. 如何得到图像金字塔？

   缩放因子：resize_factor，每次图像缩放的比例。第一次缩放得到就是原图$\times resize\_factor$，第二次就是原图$\times resize\_facto{r}^2$, … ,依次类推。（这个具体根据数据集人脸大小分布来确定，基本确定在0.60-0.80之间会比较合适，设的比较大，容易延长推理时间，小了容易漏掉一些中小型人脸。论文中设置的是0.6）

   图片的最小尺寸: min_face_size，每次经过缩放后得到的图片应该大于min_face_size，并且最后一次缩放得到的图片大小应该恰好大于等于min_face_size。

   经过缩放后的得到的这些不同大小的图片，堆叠起来的话像是金字塔，简单称为图片金字塔。注意，这些图像都是要一幅幅输入到Pnet中去得到候选的。

3. mtcnn算法的训练和推理阶段，都要使用图像金字塔吗？

   对多个尺度的输入图像做训练，训练是非常耗时的。因此通常只在推理阶段使用图像金字塔，提高算法的精度。训练的时候，需要对训练集中的每个样本缩放到$12\times 12$的大小，用来训练全卷积网络。在推理的时候，因为测试图像中人脸区域的尺度未知，所以需要使用图像金字塔技术，增加人脸区域的召回率。

2.人脸分类(face classification)

为什么输出是$1\times 1\times 2$的向量，如果是指示被判定为人脸为1的概率，最后一个维度应该是1啊？

之所以有两个值（0和1的概率），是为了方便计算交叉熵。

3.样本类型指示器(sample type indicator)

$\beta$表示样本类型，其取值只有0和1。具体的取值，和对应的数据用于哪一个任务的训练有关。例如负样本韩剧只用于人脸分类的训练，所以只有${\beta }_{det}=1$，其余均为0。

• 当样本为负样本数据时， ${\beta }^{det}=1,{\beta }^{box}=0,{\beta }^{landmark}=0$ ;
• 当样本为正样本数据时， ${\beta }^{det}=1,{\beta }^{box}=1,{\beta }^{landmark}=0$ ；
• 当样本为部分人脸数据时， ${\beta }^{det}=0,{\beta }^{box}=1,{\beta }^{landmark}=0$ ;
• 当样本为关键点样本数据时， ${\beta }^{det}=0,{\beta }^{box}=0,{\beta }^{landmark}=1$;

4.训练数据(training data)

P-Net使用的是$12\times 12$大小的图片，这个图片怎么得到的呢？嗯，很简单，去WIDER和CelebA数据集随机截取，这个时候大家会问，随机截取怎么截取？就是字面上的意思，不过有点点技巧。首先，如果真的随机截取的话，如果图片里面人脸只有一个，很多都会截取到非pos甚至非part的图片，所以为了得到足够多的positives、part faces数据，真正的随机截取是基于图片实际label进行上下左右微调来截取，进而保障positivies、part faces数据的足够。最终会得到很多还没有resize的图片，长宽不一，这个时候把他们resize为$12\times 12$大小的图片即可。

5.非极大值抑制(non-maximum suppression)

NMS 主要是用于对多个候选框去除重合率大的冗余候选框，从而保留区域内最优候选框，其过程是一个迭代遍历的过程。

算法步骤如下图所示：

cls score表示face classification的得分，b box是指bounding box。

6.并交比(Intersection over Union, IoU)

论文中指bounding box和 groud truth 的并交比，计算方式：可以将这两个看作两个集合，交运算的面积/并运算的面积。

7.为什么是三个阶段(three stages)

P-Net 、R-Net、O-Net ，图像的输入越来越大，每一层卷积核的个数越来越多，网络的深度也是越来越深。所以他们的运行速度也是越来越慢，然而其准确度却是越来越高。

那既然O-Net的准确度最高，为什么不直接过O-Net呢？或者是比O-Net更深的网络呢？

这是因为，假如直接过O-Net网络，运行速度会非常的慢，实际上P-Net和R-Net 这两步对含人脸检测Proposal 和bounding box 做了一个过滤，使得最后过耗时更大的O-Net网络 的bounding box 比较少，从而减少了整体时间。