深度学习论文精读（7）：MTCNN

深度学习论文精读（7）：MTCNN

论文地址：Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks

译文地址：https://zhuanlan.zhihu.com/p/37884254

参考博文1：https://zhuanlan.zhihu.com/p/38520597

官方地址：https://kpzhang93.github.io/MTCNN_face_detection_alignment/

1 总体介绍

• 认为人脸检测和人脸对齐之间是有内在联系的，因此提出了一种同时训练两个任务的结构。
• 提出了一种基于深度学习的级联结构，用于以下两种人脸识别任务。
  • 1.人脸检测（face detection）
  • 2.人脸对齐（face alignment）
• 提出了一种新的hard sample选取策略： online hard sample mining strategy，有效提高训练精度。
• 在各类数据库中达到state-of-the-art。同时延迟较低。

2 网络总体结构

• 如下图所示，MTCNN的结构共分为三层，分别为：
  • P-Net(Proposal Network)，用于生成预选框
  • R-Net(Refinement Network)，用于精炼预选框
  • O-Net(Output Network)，用于输出人脸，以及脸部标志点

• 更直观的输入输出流程如下：（图片来自这篇文章）

  • 首先将原始图片resize成一系列大小的图片金字塔，用于不同层级的网络输入。

  • P-Net的输入是resize成12*12的原始图片。输出是一系列的bounding boxes。

  • R-Net的输入是resize成24*24的原始图片以及P-Net得到的bounding boxes。输出是经过精炼过后的bounding boxes。

  • O-Net输入的是resize成48*48的原始图片以及R-Net精炼过后的的bounding boxes。输出是最终得到的bounding box，以及其中的五个facial landmarks。（左右眼，鼻尖，左右嘴角）

  • 其中，上述步骤均以NMS(None-Maximum oression)进行重复bounding boxes的精简。

• P-Net，R-Net，O-Net的具体参数。

2.1 损失函数介绍

• MTCNN共包含三个任务，分别为：

  • Face classification(人脸分类，用于判断边框内是否为人脸）
  • Bounding box regression(边框回归，用于标定人脸边框的范围）
  • Facial landmark localization(人脸标志点定位，用于定位人脸上的特征部位)

• 其损失函数分别为：

  • Face classification，使用交叉熵损失：

    $y_i^{det}=-(y_i^{det}log(p_i)+(1-y_i^{det})(1-log(p_i)))$，其中$y_i^{det}$为label，$p_i$为网络得出该边框是否为人脸的概率。

  • Bounding box regression，使用欧氏距离损失：

    $L_i^{box}=\Vert {\hat{y}}_i^{box}-y_i^{box}{\Vert }_2^2$，其中${\hat{y}}^{box}$为网络预测的边框信息，$y^{box}$为边框标签。$y^{box}$内包括边框的左顶点，以及边框的宽和高。$y^{box}\in {\mathbb{R}}^4$。

  • Facial landmark localization，使用欧氏距离损失：

    $L_i^{landmark}=\Vert {\hat{y}}_i^{landmark}-y_i^{landmark}{\Vert }_2^2$，其中${\hat{y}}_i^{landmark}$为网络预测的特征点信息，$y_i^{landmark}$为特征点真值。$y^{landmark}$包括左右眼，鼻尖，以及左右嘴角的位置。$y^{landmark}\in {\mathbb{R}}^{10}$。

2.2 多任务训练

• MTCNN的框架里，每一层级的网络结构都需要完成的上述的三个任务，但在每层网络中，各个任务的重要性又不尽相同，因此，文中使用超参数来控制不同网络内，不同任务的损失权重。如下：

  $$min\sum _{i=1}^N\sum _{j\in \{det,box,landmark\}}{\alpha }_j{\beta }_i^j{L}_i^j$$

• 其中，$N$为样本总数，$j$ 为损失类别，$\alpha$为用于控制损失权重的超参数，$\beta$用于描述样本类型，下面会提到。

• $\alpha$的具体设置如下，用以调节在不同网络内不同任务的权重，以得到更优秀的结果。

  • P-Net 和R-Net：${\alpha }_{det}=1,{\alpha }_{box}=0.5,{\alpha }_{landmark}=0.5$
  • O-Net：${\alpha }_{det}=1,{\alpha }_{box}=0.5,{\alpha }_{landmark}=1$

2.3 在线困难样本挖掘

• 作用：构建训练数据的方法。

• 流程：

• • 在每个mini-batch中，计算所有loss，并降序排序。
  • 获取钱获取前70%的sample进行梯度下降训练。

2.3 训练数据构建

• 根据样本的好坏，以及作用的任务分为以下四类：

• • positives：与 ground truth 的IOU高于阈值。（文中使用0.65）
  • negatives：与 ground truth 的IOU低于阈值。（文中使用0.3）
  • part faces：与 ground truth 的IOU处于两个阈值之间。（文中使用0.4以及0.65）
  • landmark faces：拥有landmark的标签。（五个面部关键点）

• 不同任务使用不同的训练数据，并以${\beta }_i^j$来规定样本能否参加训练，能参加的则置1，否则置0。

• • Face classification使用 positives & negatives。
  • Bounding box regression预测使用 potitives & part faces。
  • Facial landmark localization预测使用 landmark faces。

4 其他

• MTCNN用于人脸识别的话，将会是用于裁剪人脸，获得边框。之后再输入到传统CNN中，获取特征向量，再通过特征向量进行距离的判断，以一个阈值来划分是否为同一张人脸。

---

单词整理：

• joint 连接，关节
• inherent 固有的，与生俱来的
• coarse 粗糙的
• auxiliary 辅助的，附加的
• desirable 令人满意的
• candidate 候选人
• refine 精炼
• notably 显著的
• pyraimd 金字塔
• estimate 估计，判断
• calibrate 矫正
• diversity 多样性，差异
• discriminate 歧视，区别
• leverage 杠杆作用
• obtain 获得