人脸检测算法总结：S3FD——Single Shot Scale-invariant Face Detector
S3FD是中科院自动化所的一篇文章，当时一出现就刷新了wider face榜单，比上一篇提到的SSH略高一点。这个算法主要是解决小人脸的检测问题，思路和SSD类似（之前提到的SSH也和SSD类似），多个不同的featuremap预测不同的人脸，但是没有想FPN一样，将featuremap 连接。
Introduction
S3FD算法受启发于anchor-based检测算法，通过一些预定义的anchor来分类并且回归检测目标，这些预定义的不同尺度、长宽比的anchor在feature map上密集采样可以得到目标的所有可能分布区域。anchor可以向FasterRCNN一样定义于一个feature map，也可以和SSD定义在多个feature map上，anchor的spatial size（空间位置）和stride 决定了anchor的位置和采样间隔。anchor-based检测器在复杂场景下更加鲁棒，检测速度和目标大小无关，但唯一的弱点是：目标越小，检测器的性能会急速下降。
如上图所示，anchor-based检测方法存在问题的原因
- 1人脸太小导致的特征较少
- 2人脸大小和anchor以及感受野的大小不匹配
- 3默认的离散anchor尺度，真实人脸尺度gt确是连续的，anchor对真实人脸gt的匹配度不够，造成了小人脸和非尺度范围内的人脸匹配度不高。
- 4小尺度anchor会在背景上引来过多的非人脸的干扰。
Biased framework
anchor-based检测器漏检小目标的原因如下：
- 1预定义的anchor，即使是位于最低的特征层，其stride依然过大，小尺度人脸目标依赖于这些最底层的特征，经过下采样只有，目标特征信息损失过大
- 2小尺度目标，感受野，anchor的尺度不匹配。
为了解决上述问题，提出了scale-equitable-face detection framework。将anchor预定义于不同feature map，stride尺度从4-128pix。以确保不同尺度的人脸目标可以提取足够多的特征用于下一步检测。此外，依照有效感受野，在不同featuremap上为anchor定义尺度范围为16-512pix，并采用等比例采样方式，确保不同feature map上anchor的采样密度一致，anchor的尺度也匹配对应featuremap感受野尺度。
anchor matching strategy
在anchor-based检测器中，anchor预定义是离散的（16,32,64,128,256,512），而自然场景下人脸的尺度是连续的，会造成某些离群尺度的人脸box匹配较少，甚至匹配不到合适的预定义anchor，造成了离群人脸的低召回率。
为了解决这个问题，提出了scale compensation anchor matching strategy，其实操作很简单，1.把anchor与gtbox的iou阈值调低，2.阈值调低之后，把所匹配的anchor按iou排序，选择topN。
Background from small anchors
将anchor调小并密集采样，这些小的anchor带来海量的background negative anchor，导致过多的误检。为了解决这个问题，文章提出了max-out background labels
S3FD
结构及流程
- 检测在多层独立进行，类似于SSD
- 有Normalization layer，作者认为conv3-3、conv4-3、conv5-3的feature map**层尺度不同，做每个通道feature map的element-wise L2正则化，有利于更好的训练和收敛，注：之后还有个re-scale的操作，类似BN的alpha、gamma参数；
- 输出是6维，4（坐标）+2（分类）
- conv3-3输出维度为Ns+4，Ns = Nm + 1，1对应face的分类，Nm对应maxout bg label，以去除小目标的误检
- fc6 和 fc7 是vgg16的全连接层，这里进行了改进，调整为卷积层，并且实现stride为2的降采样。
Scale equitable framework
将anchor定义于不同的feature map，stride 尺度从4-128pix，以确保不同尺度的人脸目标可以提取足够多的特征用于下一步检测。在确定anchor在feature map上映射的位置后，我们依照有效感受野的大小，采用等比例的采样方式，确保不同feature map上anchor的采样密度一致，anchor的尺度也匹配对应feature map上有效的感受野尺度。
Designing scales for anchors：为anchor预定义合适的尺度
- anchor的长宽比为1
- stride是anchor的1/4
- RF是根据卷积核算出来的
理论感受野和有效感受野
理论感受野：TRF，theoretical receptive field，表示理论上输入图像区域对feature map上某个点值的影响；对于feature map上某个点，TRF根据conv的win_size和stride计算出来，一般比较大，如fig 3(a)黑色矩形框；但最终只有以TRF中心的高斯区域内输入点贡献值比较大，且贡献值按二维高斯分布向外逐步降低；
有效感受野：ERF，effective receptive field：只有一部分(如高斯分布区域)对feature map上某个点的值有较大的贡献；如fig 3(a)白色圆形区域；基于以上理论，anchor应该匹配ERF
Equal-proportion interval principle：EPIP，等比例采样策略
epip保证了不同feature map上不同尺度的anchor有相同的采样密度。进而在不同尺度的人脸gt可以近似匹配相同数目的anchor。
Scale compensation anchor matching strategy
作者认为人脸的尺度是连续的，但预定义的anchor尺度是离散的，导致了小尺度人脸和离群人脸（gtbox不在anchor附近）没有anchor与它们匹配。图1c中发现，1每个人脸box的匹配的平均anchor数为3,2人脸gtbox与anchor尺度相距较远的话，很有可能无法被匹配。
为了解决这个问题，提出了SCAMS（Scale compensation anchor matching strategy），具体操作为
1：使用常规的fast rcnn的anchor与gt box的jaccard overlap匹配策略，但降低iou阈值至0.35，这样可以提升每个gt bbox匹配的anchor数目N；
2：将anchor与gt bbox的iou阈值降低至0.1，降序选取top N匹配的anchor作为与该gt bbox匹配的anchor；N为step1中的N；注：0.35~0.1 thres的降序排序；
如图所示，经过scams之后，小尺度人脸的anchor数量提升，离群人脸目标所匹配的anchor数量也明显提升。进而提升小尺度人脸和离群人脸的召回率。
Maxout background label
为了检测出小尺度的人脸，之前的操作是设置小的anchor，并做了密集采样，并且将anchor与gtbox匹配的阈值降为0.35，这样做的坏处就是带来了大量的background FP。如下图所示，小尺度anchor的conv3-3带来了大量的anchor，同时贡献了大部分的false positive。
为了解决这个问题，提出了新的分类策略来降低小尺度人脸anchor的bg fp。策略其实也很简单，针对anchor输出Nm个background标签得分，但是只选择最大score作为输出，然后再和fgscore组合成两个标签计算softmax。
只在conv3-3层应用这个分类策略，解决小anchor的false positive问题。MBL策略可以为S3FD的带来一些局部最优信息，进而降低小尺度人脸的false positive rate。
Training
在widerface上训练，进行了数据增强：color distortion， 随机裁剪， 尺度变换和水平翻转。
损失函数
损失函数和Frcnn一致，RPN的多任务优化。
Lcls分类loss：softmaxloss
Lreg：smooth L1回归loss
λ平衡系数。
hard negative mining
anchor匹配之后，发现大部分未被匹配的都是负样本，导致正负样本不平衡，因此采用难例挖掘，将负样本的loss值降序排序，再筛选负样本以确保正负样本比例3:1。bglabel中的Nm为3，lossfunction中的λ为4.
对比试验
baseline包含以下两个
RPN-face：RPN网络，6个尺度
SSD-face：SSD网络。anchor一致
S3FD（F）：仅包含EPIP
S3FD（F+S）：包含EPIP+SCAMS
S3FD（F+S+M）：包含EPIP+SCAMS+MBL
对比：
rpn：anchor集中在最后一层，且stride为16，不利于检测小尺度的人脸，而且不同尺度的anchor共用相同的感受野
SSD：最小的stride为8，还是过大，且anchor与感受野的尺度不匹配。
S3FD（F）：证明了密集采样的优势
S3FD（F+S）：各种尺度人脸的高召回率，特别是离群人脸。
S3FD(F+S+M）：解决了bgfp的问题。
结论
S3FD解决了anchor-based的检测器在小尺度人脸性能下降的问题。主要有三个创新点。
1.1 提出EPIP：采用类似SSD的方案，在多层feature maps上预定义多尺度的anchor，并根据合适的anchor尺度，以确保所有feature map上anchor采样密度保持一致；
1.1.1 scale-equitable framework with a wide range of anchor-associated layers：SSD的多层feature maps设置anchor并预测人脸目标的做法；
1.1.2 a series of reasonable anchor scales to handle different scales of faces：就是设置合适的anchor尺度和stride，确保不同层的anchor采样密度保持一致；
1.2 提出SCAMS提升小尺度人脸的召回率；
1.3 提出MBL降低conv3_3上检测小尺度人脸的false positive rate；