硬核科普：人脸识别系统 帮你把脸刷明白(7)

使用RDCL(Rapidly Digested Convolutional Layers)模块快速降低特征图大小，为检测速度提供了保证: 通过适当的卷积核大小来快速缩小输入空间大小，减少输出通道的数量，使CPU设备上的FaceBoxes达到实时速度;

MSCL（Multiple Scale Convolutional Layers）模块使用多尺度特征图预测，处理不同尺度下的人脸;

使用anchor稠密化策略，以提高小人脸的召回率。

图16 FaceBoxes[10]算法pileline VGA分辨率图像输入，单个CPU内核上(E5-2660v3@2.60)运行速度为20FPS，GPU（Titan X (Pascal)）上125FPS。方法在FDDB上也取得了当时SOTA的结果（ 见图17 ）。 图17 FaceBoxes[10]在FDDB上的实验结果 2019年谷歌发布了一款专为移动 GPU 推理量身定制的轻量级且性能卓越的人脸检测器——亚毫秒级的人脸检测算法 BlazeFace[11]。它能够在旗舰设备上以200-1000+FPS的速度运行。这种超实时性能使BlazeFace能够应用于任何对性能要求极高的现实应用中，如手机上。方法的主要创新点为：

受MobileNet启发，提出极轻量级特征提取网络BlazeBlock。具体的使用5*5卷积核代替3*3卷积核，不会带来太大开销，但是可以增大感受野。前置摄像头下，人脸尺度变化较小，可以定义更加轻量级的特征提取，输入图像128*128，含有5个BlazeBlock和6个double BlazeBlock（见 图18 ）。

图18 BlazeBlock和double BlazeBlock结构图 [11]

优化的anchor 机制，在8*8特征图尺寸处停止下采样（见图19），将8*8，4*4和2*2分辨率中的每个像素的2个anchor替换为8*8的6个anchor。由于人脸长宽比的变化有限，因此将anchor固定为1:1足以进行精确的人脸检测。

图19 Anchor计算: SSD (left) vs. BlazeFace [11] BlazeFace重点说明在手机终端真实应用中，检测算法的加速，故没有与但是SOTA（state-of-the-art）的算法在公开数据集上精度的比较，而只是在谷歌的私有数据集上与MobileNetV2-SSD进行了比较。图20是比较结果，精度高于MobileNetV2-SSD，在iPhone XS上的速度也从2.1ms降到0.6ms。另外可以看到BlazeFace在不同的手机上也获得了很大的速度提升。 图20 检测性能和推理时间 [11]

作者有话说