CenterFace解读 轻量级anchor_free人脸检测器

论文地址：https://arxiv.org/ftp/arxiv/papers/1911/1911.03599.pdf
github地址：https://github.com/Star-Clouds/centerface

此篇文章是参考的Objects as Points,在此附上Objects as Points的论文地址：
Objects as Points

核心思想，相比于Anchor的检测算法，去判断每个anchor是否包含需检测的目标，再去计算回归的offset，Centerface和Objects as Points的主要思想是，判断feature map对应在图像中的位置是否是目标的中心点，再去计算目标的宽和高。

因为此文主要借鉴Objects as Points，而关于Objects as Points的解读已经有很多了，所以与Objects as Points差异较小的地方，笔者会简略带过。

网络结构

因为CenterFace是轻量级的人脸检测器，所以其backbone用的是mobilenetV2，相比于Objects as Points采用的DLA 以及Hourglass，整体的backbone很小。网络结构可视化如下：

groundtruth的定义

目标中心点定义：在一般的目标检测中，一般记录目标的($x_1$,$y_1$,$x_2$,$y_2$),对应目标的左上角和右下角的坐标。目标的中心点：$x_c=(x_1+x_2)/2,y_c=(y_1+y_2)/2$。
在使用anchor的算法中，采用的是计算anchor和groundtruth之间的IOU，若IOU大于阈值，则为正样本，若小于阈值，则为负样本。
在centerface中，是计算中心点的坐标是否在feature map所对应的图像内。$x_c=\lfloor \frac{x_c}{R}\rfloor ,y_c=\lfloor \frac{y_c}{R}\rfloor$R就是对应的步长。中心点所在的feature map为1，对于标注，采用高斯的方式向外撒点。

LOSS的定义

在寻找关键点上，存在两个loss，一个是判断feature map是否包含关键点，采用focal loss，另一个是计算关键点 相对于 feature map映射到原图之后的偏移量，使用的smooth_L1。
在计算目标框上：区别于Objects as Points， 计算的是映射到feature map上的大小，而不是计算原图的大小
$\hat{w}=log(\frac{x_2-x_1}{R}),\hat{h}=log(\frac{y_2-y_1}{R})$
计算目标框的Loss采用smooth_L1

Data augmentation

1.random filp
2.random scaling
3.color jittering
4.randomly crop square patch
以上数据增强方法都是常见的数据增强方法，不多做介绍。

测试结果

在arm端测试结果：

模型	速度
CenterFace	1200ms

widerface测试结果

easy	Medium	hard
92.2	91.1	77.9