级联卷积神经网络（人脸检测）

博客转载自：http://blog.csdn.net/shuzfan/article/details/50358809

本文介绍的人脸检测方法，来源于2015CVPR《A Convolutional Neural Network Cascade for Face Detection》。本篇文章的方法可以说是对经典的Viola jones方法的深度卷积网络实现，并没有让人眼前一亮的地方，但依然有以下几点可以学习。

（1）网络级联

下图是该方法的整个流程示意图，可以明显看出是3阶级联（12-net、24-net、48-net）。

级联的工作原理和好处：

1、最初阶段的网络可以比较简单，判别阈值可以设得宽松一点，这样就可以在保持较高召回率的同时排除掉大量的非人脸窗口；

2、最后阶段网络为了保证足够的性能，因此一般设计的比较复杂，但由于只需要处理前面剩下的窗口，因此可以保证足够的效率；

3、 级联的思想可以帮助我们去组合利用性能较差的分类器，同时又可以获得一定的效率保证。

下图展示了，3阶段平均剩下的窗口数量及对应的召回率：

（2）多尺度特征

下图是3阶网络的具体网络结构：

由上图可以看出，前2阶的网络都非常简单，只有第3阶才比较复杂。这不是重点，重点是我们要从上图中学习多尺度特征组合。

以第2阶段的24-net为例，首先把上一阶段剩下的窗口resize为24*24大小，然后送入网络，得到全连接层的特征。同时，将之前12-net的全连接层特征取出与之拼接在一起。最后对组合后的特征进行softmax分类。

下图展示了，使用和不使用多尺度特征的差异：

由图可见，采用多尺度特征可以相同条件下获得相对较高的召回率，即提升了网络的分类能力。

（3）校正网络-将回归转化为分类问题

大家应该在整体流程示意图中注意到了：每一个分类网络的输出都会经过一个对应的校正网络之后，才会被送到下一阶段。

该校正网络是为了解决下面的定位不准的问题的：

在上图中，蓝色框是（如12-net）分类网络的输出，红色框是经过对应的12-calibration-net校正后的输出。

对于矩形框的校正，我们只需要3个参数，一个是水平平移量xn，一个是垂直平移量yn，还有一个是宽高缩放比例sn。即我们要将矩形框的控制坐标调整为：

直觉上来看，这是要解决一个回归问题，需要回归出3个参数。但是连续的回归问题是很难解决的，因此文章将此转化为离散的分类问题。文章首先，将3个参数分别列出一些值：

于是，我们的目标就是建立一个45类的分类器，毕竟神经网络的强项在于分类。校正网络如下图所示。

但是，这个分类器的准确性仍然不是很稳定。因此，文章选择得分比较高的几类做平均，最后进行校正，即：

（4）级联的训练方法

对于级联问题，文章采用了特殊的训练策略。

1、按照一般的方法组织正负样本训练第一阶段的12-net和12-calibration-net网络；
2、 利用上述的1层网络在AFLW数据集上作人脸检测，在保证99%的召回率的基础上确定判别阈值T1。
3、将在AFLW上判为人脸的非人脸窗口作为负样本，将所有真实人脸作为正样本，训练第二阶段的24-net和24-calibration-net网络；
4、重复2和3，完成最后阶段的训练