S3FD

2017年的文章了，做者对已有基于anchor的人脸检测算法在感觉野不匹配、小脸特征少、anchor匹配不均、以及浅层预测出现大量FP等问题分别分析并提出改进。

S3FD模型结构如上图可见为SSD的改进版，分别针对现有的不足，做者分别做了如下改进。

1.在模型结构上的改进
这一块做者称为scale-equitable framework，在vgg16模型基础上新增卷积层，并在6层特征图上分别作预测。做者经过对anchor尺度、有效感觉野和实际人脸大小分析，设置以上的anchor大小以及在哪些层作预测是比较合适的。

2.在anchor匹配方面的改进
已有anchor匹配策略是先对全部GT找最匹配的anchor，而后再对anchor找匹配IOU大于必定阈值的GT来对anchor贴标签。但是anchor尺度是离散的而人脸大小分布是连续的，就会出现不一样大小人脸匹配到的anchor数不均衡，看下图。做者对现有anchor匹配策略作出必定改进：第一步，将阈值大于0.35的anchor设置为正样本，这能加强GT匹配到的anchor数。第二步，对于匹配到anchor较少的GT，下降阈值到0.1，而后依据IOU排序，将最匹配的N个anchor设为GT匹配到的，这能加强小人脸匹配的anchor数。

3.max out background label
在浅层，anchor较多，形成不少FP，为了减小FP，做者设计了对cls预测采用max out策略。max out指对同一个anchor作屡次背景预测（3次），而后将最大的背景预测值做为最终背景预测，而人脸预测只预测一次。

4.实现细节
做者也作了OHEM，训练加强就是图像加强而后随机裁剪缩放到640，随机翻转。
做者对较浅层的特征图在预测前还作了L2归一化，这是为啥也没讲？

做者将SSD和RPN做为baseline，F表明主干结构，S表明anchor匹配改进，M表示max out。发现结构改善提高最大啊，后面的tricks都有必定提高。