引言

在深度學(xué)習(xí)目標(biāo)檢測(cè)中，特別是人臉檢測(cè)中，小目標(biāo)、小人臉的檢測(cè)由于分辨率低，圖片模糊，信息少，噪音多，所以一直是一個(gè)實(shí)際且常見的困難問題。不過在這幾年的發(fā)展中，也涌現(xiàn)了一些提高小目標(biāo)檢測(cè)性能的解決手段，本文對(duì)這些手段做一個(gè)分析、整理和總結(jié)。

歡迎留言探討

傳統(tǒng)的圖像金字塔和多尺度滑動(dòng)窗口檢測(cè)

最開始在深度學(xué)習(xí)方法流行之前，對(duì)于不同尺度的目標(biāo)，大家普遍使用將原圖build出不同分辨率的圖像金字塔，再對(duì)每層金字塔用固定輸入分辨率的分類器在該層滑動(dòng)來(lái)檢測(cè)目標(biāo)，以求在金字塔底部檢測(cè)出小目標(biāo)；或者只用一個(gè)原圖，在原圖上，用不同分辨率的分類器來(lái)檢測(cè)目標(biāo)，以求在比較小的窗口分類器中檢測(cè)到小目標(biāo)。

不過這種方式速度慢（雖然通常build圖像金字塔可以使用卷積核分離加速或者直接簡(jiǎn)單粗暴地resize，但是還是需要做多次的特征提取呀），后面有人借鑒它的思想搞出了特征金字塔網(wǎng)絡(luò)FPN，它在不同層取特征進(jìn)行融合，只需要一次前向計(jì)算，不需要縮放圖片，也在小目標(biāo)檢測(cè)中得到了應(yīng)用，在本文后面會(huì)講到。

簡(jiǎn)單粗暴又可靠的Data Augmentation

深度學(xué)習(xí)的效果在某種意義上是靠大量數(shù)據(jù)喂出來(lái)的，小目標(biāo)檢測(cè)的性能同樣也可以通過增加訓(xùn)練集中小目標(biāo)樣本的種類和數(shù)量來(lái)提升。在《深度學(xué)習(xí)中不平衡樣本的處理》一文中已經(jīng)介紹了許多數(shù)據(jù)增強(qiáng)的方案，這些方案雖然主要是解決不同類別樣本之間數(shù)量不均衡的問題的，但是有時(shí)候小目標(biāo)檢測(cè)之難其中也有數(shù)據(jù)集中小樣本相對(duì)于大樣本來(lái)說(shuō)數(shù)量很少的因素，所以其中很多方案都可以用在小樣本數(shù)據(jù)的增強(qiáng)上，這里不贅述。另外，在19年的論文Augmentation for small object detection中，也提出了兩個(gè)簡(jiǎn)單粗暴的方法：

方法一

針對(duì)COCO數(shù)據(jù)集中包含小目標(biāo)的圖片數(shù)量少的問題，使用過采樣OverSampling策略；

方法二

針對(duì)同一張圖片里面包含小目標(biāo)數(shù)量少的問題，在圖片內(nèi)用分割的Mask摳出小目標(biāo)圖片再使用復(fù)制粘貼的方法（當(dāng)然，也加上了一些旋轉(zhuǎn)和縮放，另外要注意不要遮擋到別的目標(biāo)）。

在同一張圖中有更多的小目標(biāo)，在Anchor策略的方法中就會(huì)匹配出更多的正樣本。

特征融合的FPN

不同階段的特征圖對(duì)應(yīng)的感受野不同，它們表達(dá)的信息抽象程度也不一樣。淺層的特征圖感受野小，比較適合檢測(cè)小目標(biāo)（要檢測(cè)大目標(biāo)，則其只“看”到了大目標(biāo)的一部分，有效信息不夠）；深層的特征圖感受野大，適合檢測(cè)大目標(biāo)（要檢測(cè)小目標(biāo)，則其”看“到了太多的背景噪音，冗余噪音太多）。所以，有人就提出了將不同階段的特征圖，都融合起來(lái)，來(lái)提升目標(biāo)檢測(cè)的性能，這就是特征金字塔網(wǎng)絡(luò)FPN。

在人臉領(lǐng)域，基本上性能好一點(diǎn)的方法都是用了FPN的思想，其中比較有代表性的有：

RetinaFace:Single-stage Dense Face Localisation in the Wild

?

?

另外一個(gè)思路：

既然可以在不同分辨率特征圖做融合來(lái)提升特征的豐富度和信息含量來(lái)檢測(cè)不同大小的目標(biāo)，那么自然也有人會(huì)進(jìn)一步地猜想，如果只用高分辨率的特征圖（淺層特征）去檢測(cè)小臉；用中間分辨率的特征圖（中層特征）去檢測(cè)大臉；最后用地分辨率的特征圖（深層特征）去檢測(cè)小臉。比如人臉檢測(cè)中的SSH。

合適的訓(xùn)練方法SNIP,SNIPER,SAN

機(jī)器學(xué)習(xí)里面有個(gè)重要的觀點(diǎn)，模型預(yù)訓(xùn)練的分布要盡可能地接近測(cè)試輸入的分布。所以，在大分辨率（比如常見的224 x 224）下訓(xùn)練出來(lái)的模型，不適合檢測(cè)本身是小分辨率再經(jīng)放大送入模型的圖片。如果是小分辨率的圖片做輸入，應(yīng)該在小分辨率的圖片上訓(xùn)練模型；再不行，應(yīng)該用大分辨率的圖片訓(xùn)練的模型上用小分辨率的圖片來(lái)微調(diào)fine-tune；最差的就是直接用大分辨率的圖片來(lái)預(yù)測(cè)小分辨率的圖（通過上采樣放大）。但是這是在理想的情況下的（訓(xùn)練樣本數(shù)量、豐富程度都一樣的前提下，但實(shí)際上，很多數(shù)據(jù)集都是小樣本嚴(yán)重缺乏的），所以放大輸入圖像+使用高分率圖像預(yù)訓(xùn)練再在小圖上微調(diào)，在實(shí)踐中要優(yōu)于專門針對(duì)小目標(biāo)訓(xùn)練一個(gè)分類器。

在下圖中示意的是SNIP訓(xùn)練方法，訓(xùn)練時(shí)只訓(xùn)練合適尺寸的目標(biāo)樣本，只有真值的尺度和Anchor的尺度接近時(shí)來(lái)用來(lái)訓(xùn)練檢測(cè)器，太小太大的都不要，預(yù)測(cè)時(shí)輸入圖像多尺度，總有一個(gè)尺寸的Anchor是合適的，選擇那個(gè)最合適的尺度來(lái)預(yù)測(cè)。對(duì)R-FCN提出的改進(jìn)主要有兩個(gè)地方，一是多尺寸圖像輸入，針對(duì)不同大小的輸入，在經(jīng)過RPN網(wǎng)絡(luò)時(shí)需要判斷valid GT和invalid GT，以及valid anchor和invalid anchor，通過這一分類，使得得到的預(yù)選框更加的準(zhǔn)確；二是在RCN階段，根據(jù)預(yù)選框的大小，只選取在一定范圍內(nèi)的預(yù)選框，最后使用NMS來(lái)得到最終結(jié)果。

SNIPER是SNIP的實(shí)用升級(jí)版本，這里不做詳細(xì)介紹了。

稠密Anchor采樣和匹配策略S3FD,FaceBoxes

在前面Data Augmentation部分已經(jīng)講了，復(fù)制小目標(biāo)到一張圖的多個(gè)地方可以增加小目標(biāo)匹配的Anchor框的個(gè)數(shù)，增加小目標(biāo)的訓(xùn)練權(quán)重，減少網(wǎng)絡(luò)對(duì)大目標(biāo)的bias。同樣，反過來(lái)想，如果在數(shù)據(jù)集已經(jīng)確定的情況下，我們也可以增加負(fù)責(zé)小目標(biāo)的Anchor的設(shè)置策略來(lái)讓訓(xùn)練時(shí)對(duì)小目標(biāo)的學(xué)習(xí)更加充分。例如人臉檢測(cè)中的FaceBoxes其中一個(gè)Contribution就是Anchor densification strategy，Inception3的anchors有三個(gè)scales(32,64,128)，而32 scales是稀疏的，所以需要密集化4倍，而64 scales則需要密集化2倍。在S3FD人臉檢測(cè)方法中，則用了Equal-proportion interval principle來(lái)保證不同大小的Anchor在圖中的密度大致相等，這樣大臉和小臉匹配到的Anchor的數(shù)量也大致相等了。

另外，對(duì)小目標(biāo)的Anchor使用比較寬松的匹配策略（比如IoU > 0.4）也是一個(gè)比較常用的手段。

先生成放大特征再檢測(cè)的GAN

Perceptual GAN使用了GAN對(duì)小目標(biāo)生成一個(gè)和大目標(biāo)很相似的Super-resolved Feature（如下圖所示），然后把這個(gè)Super-resolved Feature疊加在原來(lái)的小目標(biāo)的特征圖（如下下圖所示）上，以此增強(qiáng)對(duì)小目標(biāo)特征表達(dá)來(lái)提升小目標(biāo)（在論文中是指交通燈）的檢測(cè)性能。

利用Context信息的Relation Network和PyramidBox

小目標(biāo)，特別是像人臉這樣的目標(biāo)，不會(huì)單獨(dú)地出現(xiàn)在圖片中（想想單獨(dú)一個(gè)臉出現(xiàn)在圖片中，而沒有頭、肩膀和身體也是很恐怖的）。像PyramidBox方法，加上一些頭、肩膀這樣的上下文Context信息，那么目標(biāo)就相當(dāng)于變大了一些，上下文信息加上檢測(cè)也就更容易了。

這里順便再提一下通用目標(biāo)檢測(cè)中另外一種加入Context信息的思路，Relation Networks雖然主要是解決提升識(shí)別性能和過濾重復(fù)檢測(cè)而不是專門針對(duì)小目標(biāo)檢測(cè)的，但是也和上面的PyramidBox思想很像的，都是利用上下文信息來(lái)提升檢測(cè)性能，可以歸類為Context一類。

總結(jié)

本文比較詳細(xì)地總結(jié)了一些在通用目標(biāo)檢測(cè)和專門人臉檢測(cè)領(lǐng)域常見的小目標(biāo)檢測(cè)的解決方案，后面有時(shí)間會(huì)再寫一些專門在人臉領(lǐng)域的困難點(diǎn)（比如ROP的側(cè)臉，RIP的360度人臉）及現(xiàn)在學(xué)術(shù)界的解決方案。

審核編輯：黃飛

?