导读 本次分享题目为人脸检测技术演进史，包括近期的论文分享、人脸检测主要的研究方向及未来的发展方向。主要分为以下四大部分：

全文目录：

1. 人脸检测任务介绍

2. 论文分享

3. ModelScope应用

4. 未来工作展望

分享嘉宾｜刘洋 阿里巴巴 算法专家

编辑整理｜付琰 百度

出品社区｜DataFun

01/人脸检测任务介绍

1.人脸检测数据集

人脸检测，顾名思义，即检测人脸在图片中的位置，是整个人脸系统的基石，后续做人脸识别、人脸属性分析都依赖人脸检测提供的检测框。

这个领域的代表性数据集是Wider Face，是16年香港中文大学和商汤联合发布的一个数据集。主要贡献在于明确了人脸检测存在的几大挑战：

• ²Scale，小尺度的人脸
• ²Pose，非常规角度的人脸
• ²Occlusion，有遮挡的人脸
• ²Expression，表情夸张的人脸
• ²Makeup，装扮人脸
• ²Illumination，曝光过度的人脸

在16年之后主要围绕着这个数据集展开研究，典型的评价指标是AP score，在Iou=0.5的情况下计算AP值。

2.人脸检测研究方向

（1）Feature Fusion & Context & Receptive Field

这个领域的研究集中在比较早期的17-19年。主要工作内容是，发现了上下文信息对检测的性能提升很大，对底层的特征加上context module，做特征融合。

（2）Label Assign

Label Assign就是划分正负样本的步骤，是从人脸检测到通用多目标检测中一个都非常火的方向，从17年到22年都有相关的文章。S3FD是中科院李子青团队发表的一篇文章，是这个领域的奠基性工作，提供了比较好的检测架构及准则，例如anchor如何设定，anchor assign的超参等等，后续很多工作都follow他们的超参展开研究。

Seeing Small Face是18年CMU的一篇文章，对Label Assign从scale到stride的角度，提出了Expected Max Overlapping (EMO) score，采用新的anchor设计策略，解决基于anchor的人脸检测器在小尺度人脸上性能急剧下降的问题；

HAMBox是我在20年的一篇文章，主要贡献在于发现了online信息的重要性，对未匹配的anchor具有出色的回归能力。在21年往后大家开始注意到online信息的一些用法，在我的视角这是第一篇利用online信息进行label assignment的文章。

MogFace进一步做了adaptive Online 和offline 信息相结合的方法。

（3）Auxiliary Supervision Signal

利用辅助的关键信号提升人脸检测的性能。MTCNN和RetinaFace是其中的代表性工作，用关键点的信息帮助更好地检测人脸，同时在检测模块可以输出关键点的位置，减少了整个人脸识别系统的模块数量。

Face Attention Network引入了一个attention的分支，对遮挡人脸进行预测。

PyramidBox，指出了上下文信息的重要性。利用头、肩膀的soft label，没有引入显式的监督信号，从我的实践结果看涨点甚至高于关键点类的方法。

（4）Anchor Free

不需要预设anchor的方法，从15年百度的DenseBox就开始了这方面的研究。CenterFace是非常出色的轻量化人脸检测方法，直到最近被SCRFD和YOLO-v5打败，不再是sota，但也是一个非常不错的工作。

（5）Data Augmentation

由于scale的挑战，很多通用物体检测领域的方法不适用于这个场景，例如multi-scale training、random crop等等。MogFace在这方面做了一些思考，提出一种scale-level的数据增强策略。

（6）Nas-based

基于NAS（神经网络架构搜索）的一些方法。

BFBox重新设计了检测器领域的backbone和Feature Pyramid Network的搜索空间，基于FP-NAS搜索出对人脸检测比较友好的检测架构。

ASFD是优图基于DARTS来搜索检测器架构的一个工作。

SCRFD受RegNet的启发，对人脸检测器的不同组件(主干、颈部和头部)进行全局优化。

02/论文分享

接下来对上一部分图中标红的文章进行重点介绍。

1.S3FD：Single Shot Scale-invariant Face Detector(ICCV 2017)

这是一篇人脸检测的经典文章，方法目前来看比较简单，VGG结构加下采样特征层，最后做multi stage预测。主要贡献在于确定了人脸检测的标准，并且开源做的比较好。

第一个贡献：设定了anchor的尺寸。

人脸检测与通用物体检测不同，一般在一个像素点只匹配一个anchor，这样设置的主要原因是人脸检测中的小脸比较多，通常在较浅的p2层进行检测，如果设置多个anchor，会导致正负样本极度不均衡。

那么如何设定合理的anchor大小？这篇文章借鉴了有效感受野的概念：由于所有像素对卷积输出的贡献并不是完全相同，仅有一小部分区域对输出值能够产生有效的影响，而这一小部分区域则为有效感受野。因此anchor应该比理论感受野小，从而更好的匹配有效感受野。作者提出了传播间隔相等原则（Equal proportion interval principle），简单来说就是检测层的步长大小决定了anchor的间隔，在所有检测层上，anchor的尺寸均为步长的4倍。

第二个贡献：尺度补偿的anchor 匹配策略。

在训练过程中，通常通过IoU 对anchor和人脸bounding box进行匹配。为了解决一些尺寸的人脸找不到合适的anchor尺寸与之匹配的问题，首先把IoU的阈值从0.5降低到0.35，对于仍然无法匹配的人脸采取如下方法：首先，挑选出所有阈值大于0.1 的人脸；其次，对这些人脸进行逆序排序，选择top N 个anchor作为该人脸的匹配anchor。

这个方法并没有考虑补偿anchor的质量，还有一些方法例如增加anchor的尺寸也能达到补偿的效果，因此这一步还有一定的优化空间。

2. PyramidBox: A Context-assisted Single Shot Face Detector (ECCV 18)

第一个贡献：发现了上下文特征的作用。PyramidBox在底层特征后接了一个类似inception结构的Context-sensitive Prediction Module，用于提取context信息。下面分享一些我的个人思考。在人脸检测中，在context上做收益远比backbone上要大。在通用检测领域，从resnet50到resnet100，性能可能就有4-5个点的提升，因此在网络结构上加head module的做法很少。但在人脸检测领域，在head上加深，对性能提升比较明显，带来这一区别的本质原因是数据集分布不同。这篇文章对于探索head和backbone的作用、整个网络算力分配有一定启发。

第二个贡献是PyramidAnchors。除了人脸之外，还引入了人头、肩膀的额外标注。人头就是把ground truth扩大一倍，肩膀是在此基础上再扩大一倍。实际实验中，加入人头对性能有明显提升。

第三个贡献是DAS（Data anchor sampling），把人脸往更小的方向resize。减少前景和背景的比例，帮助检测器收敛。后续在MogFace中会介绍这个工作的缺点和改进。

3.RetinaFace: Single-stage Dense Face Localisation in the Wild (CVPR 20)

RetinaFace的网络结构非常直白，就是RetinaNet加上Context Module，最后是一个multi-task loss，包含bounding box分类loss和关键点检测loss。这篇工作开源做得非常好，可以轻易部署在各种平台上。

这篇工作的第一个贡献是，multi-task loss。把人脸检测和关键点检测两个任务联合起来，在实际业务应用中不需要再额外部署一个关键点模型。

第二个贡献是Context Module，引入了可变形卷积，提升模型的上下文推理能力以捕获微小人脸。

4.HAMBox: Delving into High-quality Anchors Mining for Outlier Faces Detection (CVPR 20)

接下来介绍HAMBox，是我20年的一个工作。

我们发现在推理阶段，超过80%正确预测的检测框是由负样本anchor回归生成的。针对这个现象，我们进行了很多定量和定性的分析，最终得出的结论是负样本anchor有很好的回归能力，其中的主要原因还是正负样本不平衡。在检测任务中，正负样本比例可能达到1：3000，所有检测框都由正样本回归得到是不现实的。

在传统方法中，对于异常人脸（匹配不到足够多Anchor的人脸），会匹配一个IoU较低的anchor，回归之后的IoU也比较低。而在HAMBox中，我们在online阶段会重新分配一些负样本anchor，最终匹配的anchor和ground truth的IoU非常高。

(a)表明可以通过增加anchor的尺度来增加人脸匹配的anchor的数量。我们统计了0.01-2之间所有的anchor尺度。在anchor尺度是0.5的时候，每个人脸能匹配到2.41个anchor，并且95%的人脸都可以匹配到anchor。

(b)表明增加anchor 尺度，会导致无法匹配的人脸数量增加。

最终这个超参选择的是0.68，只有7%的outer face，每个人脸能匹配到的anchor数量也比较多。在这个条件下后续对outer face进行了一系列的实验分析。

右图说明了negative anchor有很好的回归能力。

下面介绍HAMBox使用的匹配策略。

（1）第一步是标准的匹配策略，将每张脸匹配到那些与它的IoU大于某个阈值的anchor。

（2）前向过程回归得到的框记为B。对于没有匹配到K个anchor 的异常人脸，把ground truth与B中所有的框计算IoU，然后逆序排序。选择排序靠前的anchor作为补充样本，加入训练中。直到补充到K个为止。

5.MogFace: Towards a Deeper Appreciation on Face Detection (CVPR 22)

接下来介绍我们2022年的一篇工作。主要思考了几个问题：

（1）如何解决极端尺度变化的人脸检测问题。

（2）如何解决误检问题。

（3）重新思考Label assign中online information的使用。

Figure1说明了人脸检测和通用物体检测的差异。黄色线是通用物体检测的coco数据集，蓝色线是人脸检测数据集。55%的人脸尺度在20以下，但coco中尺度小于20的只有18%。所以在人脸检测中，核心是要解决小脸的问题。

目前比较典型的通用物体检测方案，包括Multi-scale training和Data-anchor-sampling，在人脸检测上并不完全适用。我们发现：

（1）并不是每一个stage上匹配到的人脸越多，检测器在该stage上的性能越好。这充分说明需要控制不同stage上匹配的人脸比例。

（2）直接学习带有大量前景的图像，对网络性能影响很大，需要合理控制前背景的分布。

基于上面两个发现，我们提出了设计准则，最大化stage-level表征：基于先验信息确定不同stage匹配的ground-truth的分布，来最大化 stage-level的检测能力。

Table2表明，在各个stage上，并不是匹配的越多越好。Table 4表明MST涨点比较少，但DAS提升明显，这是因为DAS把前景的数量减少了，说明了前景的重要性。

这是第一篇从 pyramid layer的学习能力/表征能力来控制gt分布的文章。缺点是需要根据数据集，预先统计每个stage的比例。

在实际应用中，通常对误检十分敏感。目前解决误检的主要做法是收集大量误检图片fine-tune或者从头训练检测器。但这种数据驱动的策略并不是一个完全可靠的解决方案。我们对误检数据分析并发现了一个现象：对于一个FP，把它对应区域crop出来，并施加一些数据增强策略，此时再经过检测器的前向传播，超过95%的误检都消失了。说明上下文信息在解决FP时是比较有效的。进一步，我们设计了一个级联的上下文encoding模块。该模块大致分为两个步骤：

（1）找到网络前向过程中FP对应的context information，也就是它周围N*N的一个区域。

（2）把context information加入到FPN的feature map上，来做后续的分类、回归。

在HAMBox中，对online信息的利用还存在一些问题。

（1）Online information不能提供高质量的匹配信息。因为在网络训练过程中，前期网络还没收敛，提供的信息很多是错的。

（2）不同任务迁移的时候，T和K超参数的选取也需要做调优，否则对效果的影响很大。因此需要做自适应的超参选取。

在这里我们首先利用offline的IoU和中心点得到大量的候选anchor列表，然后利用online的classification信息对所有anchor进行排序，从而更好地利用online信息。超参选取方面，把T设置为当前层所有ground-truth匹配到的anchor数量最大值，解决了自适应的超参选取问题。

6.Sample and Computation Redistribution for Efficient Face Detection (ICLR 22)

利用regnet的思想，确定了backbone, head, neck 之间的算力分配。

（1）基于数据集的统计数据，在最需要的步骤上分配更多训练样本。

（2）基于神经网络架构搜索方法，在模型的backbone, head, neck之间重新分配计算，灵感来源于RegNet。

（3）性能达到sota。

03/ModelScope应用

ModelScope平台提供了MogFace、RetinaFace等人脸检测、人脸识别、活体检测的模型，支持一键打开notebook，并且提供了可运行的GPU、CPU资源以及demo图片，欢迎大家前来试用。

04/未来工作展望

1.鲁棒的Label Assign策略。人脸检测任务对scale比较敏感，例如WiderFace数据集包括很多小脸，但实际数据集中可能大脸比较多，现有的label assign方法在实际数据集上并不合理。网络不同模块的算力分配，在coco数据集上增强底层特征取得了不错的效果，但不代表在所有数据集上都适合这样分配。因此scale-level data augmentation、computation allocation、label assign这三者需要一个新的设计准则，才能得到一个鲁棒的label assign策略。

2.在人脸检测的实际应用中，误检是非常重要的指标。

学术界也需要一个新的评价指标，来衡量检测器去除误检的能力。

3.轻量级、快速的人脸检测器。

4.少样本、领域迁移、无监督、半监督等基础视觉任务与人脸检测结合。

5.人脸检测和人脸识别的统一框架。这两个任务有着天然的关联性，人脸识别特征可以帮助检测更好地定位，人脸检测的上下文信息对人脸识别任务也是很有帮助的。

今天的分享就到这里，谢谢大家。