人脸检测CenterFace：轻量级anchor_free人脸检测器

Posted 2022-12-08 超级无敌陈大佬的跟班

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

前言：

CenterFace基本结构还是基于CenterNet网络修改得来的，与CenterNet一些小的区别点是：

• 1）主干网络改为mobilenetV2；
• 2）loss函数的计算方式也有些小变动，边框的宽高回归加上了log进行约束；
• 3）边界框中心点回归也有L1 loss改进为smooth L1 loss；
• 4）另外增加人脸5个特征点landmark回归；

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：

CenterFace网络结构

3. CenterFace损失函数定义

3.1 分类损失函数

        α = 2 and β = 4，这部分跟centerNet完全一致，各参数含义参见我CenterNet的博客，这里不重复敲公式了,

3.2 人脸框中心点偏移损失函数

        与centerNet不同的是，将L1_loss换成了了smooth L1_loss;

3.3 人脸框宽高回归损失函数

 

        G = (x1, y1, x2, y2)是ground-truth边界框的坐标，从公式中可以看出，这里是将边框位置缩放到feature map对应尺寸上进行宽高回归，并且使用了log函数进行约束(CenterNet没有使用log函数进行约束)。这里的损失函数同样也是使用smooth L1_loss。

3.4 人脸特征点坐标回归

        其中应该指的是边界框中心点坐标值，是人脸特征点的坐标值，从公式中可以看出特征点的回归是基于中心点坐标计算偏移量，并且除以对应的边界框宽高进行缩放。

3.5 损失函数的总和

不同任务的Loss权重系数为：

 4. CenterFace网络性能分析

推理速度对比：

WIDER FACE val集结果:

WIDER FACE test集结果:

FDDB测试集的结果:

 推理耗时：

效果图：