[SRN] Selective Refinement Network for High Performance Face Detection

SRN 网络结构图

SRN网络结构

和 Refine Det 有比较类似的思路，基于 Retina Net,并引入focal loss,在 anchor based 人脸检测器中引 入了two-step 的 cls+reg 任务，有效地降低了人脸检测中的 false positives,提开了人脸定位的精度，且 有利于小尺度人脸的检出。

STC（Selective Two Step Classification)

通过C2,C3,C4(1st-step)/P2, P3, P4(2nd- step)完成2-stage的分类；

1st-step 通过预定义的 object ness 阈值过滤大部分易分负样本，减少2nd-step 分类器所需处理的样本 量。
解析： anchor_based 检测器为检出小尺度人脸，都会在特征金字塔的浅层 feature maps 上做 anchor的 密集采样，小尺度人脸虽保持了高召回率，但带来了海量 false positives,进一步导致了正负样本数量不 均衡； 从这一点上看， STC 就是作用于浅层 feature map 上。

2-Step 分类操作通常在浅层 feature map 上进行，因为浅层feature maps anchor 数量特别多，且特征 表达能力较弱， context 信息也不够， 语义信息缺乏，因此在浅层 feature maps 上做2-step 分类会有 很好的效果

SRN 在两阶段中都引入了 focal loss 操作，可以更全面地利用所有样本，且 STC 中两阶段的分类器共享 了大部分参数（仅预测的分类分支参数不一样），因为两者任务相同：都是从 bg 中判别出前景的人脸 区域

STR (Selective Two-step Regression)

1-stage 的检测只对回归框做一次调整是不够的，但cascade rcnn 里表明盲目地迭代 multi-Step 的bbox reg,并不能进一步提升时的定位精度.

原因：
三个浅层 feature maps 本职是通过密集某样的anchor 检测小尺度人脸，这些 feature maps 特征本身的表达能力也不够，因此要其进一步完成bbox 回归，精准度就显得不够了
训练阶段，让浅层 feature map 也参与 bbox 回归任务，不太适合，会导致模型过于关注其产生的 reg loss, 忽略 cls loss。
基于此， SRN 选择仅在高层 P5、P6、 P7上使用 STR 操作，出发点很简单：
低层 feature maps 专注于分类任务， 高层 feature maps 充分利用大尺度人脸的高级语义信息，训练出 更适于 bbox 精准定位的分支。

SRN与Refine Det 的关系

STC 与 STR 是 Refine Det 中 ARM、 ODM 的进一步深入探索

Receptive Field Enhancement

RFE 模块引入了多样化的感受野信息，有助于 SRN检出极端尺度、姿态下的人脸，融合了 shortcut 和 Inception 的思想

RFE结构