HAMBox: Delving into Online High-quality Anchors Mining for Detecting Outer Faces

Outer Faces: 不能够匹配足够数量的positive anchors的人脸；

High-quality anchors: 回归Bounding Boxes与对应的ground truth的IoU大于0.5的这些anchors；

1. 介绍

文章基于Anchors框架，作者提到，有效的anchor设计非常重要，这直接影响了FD的性能。如何选择anchor尺寸仍然是个难点，一般会存在错位现象，如下图所示：

Fig 1

(a) 图表示在不同anchor尺度下，每个ground truth face 匹配的平均anchor数量；

(b) 图表示在不同anchor尺度下，可以匹配到anchors的人脸的比例。

从图中可以看出，虽然随着anchor 尺度的增大，每个人脸匹配的anchors数量增多，但是能匹配anchors的真实人脸比例在下降，这种错位现象启发anchor scales的设计。

为了解决这种错位现象，有两个代表性的方法：

1）通过增加offsetting anchors的anchor补偿策略，补偿 outer faces；

2） Zhu et al 指定了EMO评价标准，进而设计更合理的anchor stride和感受野。

尽管这些方法帮助outer faces匹配了更多的anchors，但是也生成了大量冗余或者低质量的anchors。

Fig 2 performance of compensated anchors

从上图中可以看到，补偿的anchors与ground truth 产生的平均IoU只有0.42，所以这种方法使得outer faces匹配到了更多低质量的anchors。

作者利用PyramidBox作为Face detector进行anchor匹配统计实验，发现了一个非常有趣的现象，如下如所示：

这里红色曲线是累计IoU的累计分布曲线，其中IoU是ground truth与可以被正确预测的回归anchors，这里采用的阈值为0.35，只有在训练阶段当IoU大于0.35的anchor，才被认为是匹配的anchors。下图我们可以发现，inference阶段，回归大于0.35的ancho只值占11%，所以作者认为，不仅仅是匹配的anchors，那些未匹配的anchors同样有着重要的地位。然而，在训练阶段，那些未匹配的anchors被认为是背景，这是不合理的。如何有效利用这些未匹配的anchors对提升人脸检测的性能非常重要。

Fig 3 Comulative Desity Curve of IoU

作者通过定义High-quality Anchors，如下图所示，可以看出有65%的High-quality Anchors在训练阶段是为匹配的。基于此，作者认为当前的anchors机制是不灵活的，并且没有充分利用anchors。

Fig 4 Proportion of High quality anchors

为了说明大部分回归的bounding boxes都是未匹配的在训练阶段未匹配的anchors，作者利用下图进行描述：

其中横坐标表示与ground truth匹配的anchors数量，纵坐标表示在匹配anchors数量一定的情况下，满足当前条件人脸的数量。

a) 红色柱状图表示，在训练阶段，当IoU>0.35时，与anchors匹配的人脸数量；

b) 蓝色柱状图表示，在IoU>0.5时，与回归的bounding box匹配的人脸数量；这也就是经过网络回归后High-quality Anchors的数量；

c) 绿色的图表示，High-quality Anchors经过NMS后，剩余的High-quality Anchors的数量。

Fig 5 Performance of Matched High-quality Anchors

上图可以做如下解释，例如Number of Anchors = 时，red = 3257，经过网络回归后，High-quality Anchors = 2442，再经过NMS后，High-quality Anchors = 316。这里说明316个High-quality anchors是matched anchors回归得到的，但是剩下的High-quality Anchors=2442-316=2126，这么多的High-quality Anchors怎么来的？？作者认为这些High-quality Anchors是由训练阶段的未匹配Anchors回归得到的，所以作者认为训练阶段未匹配的Anchors也有很强的回归的能力。

为了进一步说明和验证上述问题，作者提出了 Online High-quality Anchor Mining Strategy（HAMBox）。这个方法的思路就是挖掘那些隐藏的High-quality anchors 去给outer faces补偿更多的anchors，从而提高回归的准确性。

2. Online High-quality Anchors Mining