今天我們不說計算機視覺基礎知識，接下來說說AAAI2019一篇比較新穎的Paper，其是中科院自動化所和京東AI研究院聯合的結果，在Wider Face數據集中達到了較高的水準，比arxiv2019_VIM-FD的更好一些。

Improved SRN

人臉檢測作為計算機視覺中的一個長期存在的問題，由于其實際應用，近幾十年來一直受到人們的關注。

隨著人臉檢測基準數據集的廣泛應用，近年來各種算法都取得了很大的進展。其中，Selective Refinement Network（SRN）人臉檢測器有選擇地將分類和回歸操作引入到anchor-based的人臉檢測器中，以減少假陽性同時提高定位精度。此外，它還設計了一個感受野增強塊，以提供更多樣化的感受野。

為了進一步提高SRN的性能，通過大量的實驗，開發了現有的一些技術，包括新的數據增強策略、改進的backbone network、MS COCO預訓練、解耦分類模塊（decoupled classification module）、分割分支和壓縮激勵塊（Squeeze-and-Excitation block）。

其中，一些技術帶來了性能改進，因此，將這些有用的技術結合在一起，提出了一種改進的SRN人臉檢測器，并在廣泛使用的人臉檢測基準的人臉數據集上獲得了最佳的性能。

人臉檢測其實比較簡單，就是將圖像輸入算法框架中，最終返回輸入圖像中目標人臉的bounding box。

Review of Baseline

接下來，我們先簡要回顧Selective Refinement Network（SRN）。如下圖1所示，它包括選擇性兩步分類(STC)、選擇性兩步回歸(STR)和感受野增強(RFE)，這三個模塊的詳細說明如下。

圖1 SRN。它包括選擇性兩步分類(STC)、選擇性兩步回歸(STR)和感受野增強(RFE)。

01

S T C

對于單級檢測器，大量的正負樣本比的anchor（例如，大約有300k個anchor，SRN中的正/負比約為0.006%）導致了相當多的假陽性。因此，它需要另一個階段，如RPN過濾掉一些負樣本。選擇性兩步分類是從RefineDet繼承而來的，有效地拒絕了大量的負樣本anchor，緩解了類不平衡問題。

STC作用于淺層Feature Map上，來過濾掉大部分比驕傲容易區分的負樣本，來減少搜索空間。

02

S T R

像Cascade RCNN這樣的多步回歸可以提高Bounding Box位置的準確性，特別是在一些具有挑戰性的場景中，例如MS COCO風格的評估指標。然而，將多步回歸應用于人臉檢測任務中，如果不仔細考慮，可能會影響檢測結果。

STR作用于高層Feature Map上，用來粗略調整anchor的尺度、位置（類似于RefineDet中ARM的回歸任務），并進一步為高層Feature Map上的回歸器提供refined后的anchor位置初始化（類似于RefineDet中ODM的回歸任務）。

03

R F E

當前網絡通常都具有square感受野，這影響了對不同高寬比目標的檢測。為了解決這個問題，SRN設計了一個感受野增強（RFE），在預測類和位置之前，將特征的感受野多樣化，這有助于在某些極端姿勢中很好地捕捉到人臉。