论文笔记：MTCNN

秒速五厘米 2022-04-10 05:25 279阅读 0赞

*Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks*

# MTCNN #

## 1、四个问题 ##

1.  要解决什么问题？
    
     *  人脸检测（face detection）和人脸对齐（face alignment）。
2.  用了什么方法解决？
    
     *  提出了一个深度级联网络结构，分成了三个阶段，从粗到精对人脸进行检测、定位人脸特征点、对齐。
     *  此外，还提出了一个在线的难分样本挖掘策略（online hard sample mining strategy），可以提升训练精度。
3.  效果如何？
    
     *  模型的实时性很好。
     *  在FDDB和WIDER FACE两个数据集中的人脸检测以及AFLW数据集中的人脸对齐任务任务达到 state-of-the-art。
4.  还存在什么问题？
    
     *  训练时间较长，收敛较慢。

## 2、模型结构 ##

### 2.1、总体结构 ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hvbmdiaW5feHU_size_16_color_FFFFFF_t_70]

*  MTCNN的三层结构如上图。
    
     *  阶段一：先使用全卷积网络，即P-Net，来获取到获选的人脸框和其对应的向量。随后根据回归框向量对候选框进行校正。之后使用非极大抑制（NMS）来去除高度重合的候选框。
     *  阶段二：P-Net得到的回归框都送入R-Net中，随后拒绝大量错误框，再对回归框做校正，并使用NMS去除重合框。
     *  阶段三：与阶段二类似，但是这里会额外进行人脸特征点（5个）的检测。

### 2.2、三个子网络 ###

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hvbmdiaW5feHU_size_16_color_FFFFFF_t_70 1]

*  Proposal Network（P-Net）：
    
     *  原始图片先resize到不同尺度，再输入。因为图片上不同人脸的大小可能不一致。
     *  每次取一个 12 × 12 × 3 12 \\times 12 \\times 3 12×12×3的区域作为输入，输出有三个：
        
        1.  人脸分类：是否有人脸，2个输出；
        2.  边界框回归：回归得到的框的起始点的xy坐标和框的长宽，4个输出；
        3.  人脸特征点定位：5个人脸特征点的xy坐标，10个输出。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hvbmdiaW5feHU_size_16_color_FFFFFF_t_70 2]

*  Refine Network（R-Net）：
    
     *  以P-Net预测得到的回归框信息作为输入，先对原始图片进行切片，随后resize到固定尺寸。
     *  输入为： 24 × 24 × 3 24 \\times 24 \\times 3 24×24×3，与P-Net的输出一样。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hvbmdiaW5feHU_size_16_color_FFFFFF_t_70 3]

*  Output Network（O-Net）：
    
     *  以R-Net预测得到的回归框信息作为输入，对原始图片切片，随后resize到固定尺寸。
     *  输入为： 48 × 48 × 3 48 \\times 48 \\times 3 48×48×3，与R-Net的输出一样。

### 2.3、损失函数 ###

*  分类损失，预测输入是否是人脸，采用交叉熵损失：

![在这里插入图片描述][20181227191234238.png]

*  bounding box回归损失，计算的是预测框和ground truth之间的偏差：

![在这里插入图片描述][20181227191240213.png]

*  人脸特征点回归误差，预测人脸的5个特征点：双眼、鼻子、两个嘴角。使用L2损失：

![在这里插入图片描述][20181227191246556.png]

*  由于会使用多个数据集进行训练，对于不同的训练数据，三类误差要有不同的权重，使用下式计算：

![在这里插入图片描述][20181227191253386.png]

*  Online Hard sample mining：在每个mini-batch中计算所有sample的loss，并按照降序排序，取前70%的sample用来训练。

### 2.4、训练数据构建 ###

*  使用四种不同数据注释：
    
     *  positives：与ground truth的IOU高于阈值。
     *  negatives：与ground truth的IOU低于阈值。
     *  part faces：与ground truth的IOU处于前面两个阈值之间。
     *  landmark faces：有landmark标签。

## 3、参考资料 ##

1.  Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hvbmdiaW5feHU_size_16_color_FFFFFF_t_70]: /images/20220402/7d4f84502aef4d0e86bcc301fe17e7e9.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hvbmdiaW5feHU_size_16_color_FFFFFF_t_70 1]: /images/20220402/2b120a77d6404e45ae095edde85023e5.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hvbmdiaW5feHU_size_16_color_FFFFFF_t_70 2]: /images/20220402/0ecac125303249ce851db62dec2d5625.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L2hvbmdiaW5feHU_size_16_color_FFFFFF_t_70 3]: /images/20220402/3f2e939785f64459a87508649c37cc19.png
[20181227191234238.png]: /images/20220402/0ae3457acc134fde99dcb7524af7002f.png
[20181227191240213.png]: /images/20220402/8b77f9757b33418e8ba7e615beea1f6f.png
[20181227191246556.png]: /images/20220402/2ba7f33c6b354d809d9deb93d21823e6.png
[20181227191253386.png]: /images/20220402/af979f7075ba4f4f9620a83170b6d630.png