Face Detection with the Faster R-CNN

物体检测合集Object Detection blog

数据集合集CV Datasets on the web

正文

当我选用Faster RCNN做人脸检测时，已经有了一篇同名的论文了，详见Face Detection with the Faster R-CNN，同时其它博文也有用Faster RCNN训练自己数据集的教程，所以在此就不班门弄斧了。人脸检测的数据集我采用了FDDB，原因是该数据集小，而且之前用过。如果想要训练结果好一点，可以采用WIDER face，MegaFace这些大的数据集。

较其它博文的不同，我模仿Faster RCNN源代码手写了FDDB的训练过程（很多都是可重用的，需要写的不多）。我试过可以不改变solver就可以进行训练，如果出现loss为Nan的情况，可以适当减小lr试试。



图片来源于实验室，取自与某Q空间

训练结果比较差，在一些稍微暗一点或者人脸小一点的图片，就没法进行检测。本次练手的目的只是熟悉源码，对与训练结果没有做进一步优化，相关工作上面Face Detection with the Faster R-CNN也做过了，所以就不重复工作了。下次用SSD做个Face detection in video吧。

输入为data, im_info(height, width, scale)和gt_boxes。conv1-conv5为共享卷积层。rpn_cls_score(分类)和rpn_bbox_pred（回归）分别输出2 * 9(anchors)和4 * 9(anchors)。重点是”rpn-data”层anchor的操作。那么问题来了。

如何实现共享卷积层？

RPN和Fast R-CNN共享卷积层。RPN在features maps生成的候选窗口，然后经roi pooling后再检测，边框校准。

交替训练方法：

1. Stage 1 RPN, init from ImageNet model’

2. Stage 1 RPN, generate proposals

2. Stage 1 Fast R-CNN using RPN proposals, init from ImageNet model

3. Stage 2 RPN, init from stage 1 Fast R-CNN model

4. Stage 2 RPN, generate proposals

5. Stage 2 Fast R-CNN, init from stage 2 RPN R-CNN model

anchors的工作原理？

在conv feature map上做3*3的滑窗，每个窗口区域预测输入图像的3种尺度（128,256,512）和3种长宽比（1:1,1:2,2:1）的候选区。以40*60的feature map为例，总共有约20000(40*60*9)个anchor（候选区， region proposal）。针对人脸检测（大致为正方形），anchors可以调整长宽比。

Code