URL:
論文pdf

TL;DR

Google出品。亞毫秒級的移動(dòng)端人臉檢測算法。移動(dòng)端可達(dá)200~1000+FPS速度。主要以下改進(jìn)：

• 輕量級feature受啟發(fā)于Mobile系列
• 基于SSD的對移動(dòng)端GPU更友好的anchor策略
• 改進(jìn)的聯(lián)合分辨率（tie resolution）策略來替代NMS方法

方法

Enlarging the receptive field sizes

在深度可分離卷積中，計(jì)算量主要為point-wise部分，增加depth-wise部分卷積核大小并不會明顯增加成本。因此本文在depth-wise部分采用了5x5的卷積核，已獲得更大的感受野，故此可以降低在層數(shù)上的需求。
此外，啟發(fā)于mobilenetV2，本文設(shè)計(jì)了一個(gè)先升后降的double BlazeBlock。BlazeBlock適用于淺層，double BlazeBlock適用于深層。

BlazeBlock (left) and double BlazeBlock

Feature extractor

• 5個(gè)BlazeBlock和6個(gè)double BlazeBlock
• 輸入是3x128x128，channel最大為96，feature map大小最小為8x8

Anchor scheme

16x16的anchor是一樣的，但本文將8x8，4x4和2x2的2個(gè)anchor替換到8x8的6個(gè)anchor。此外強(qiáng)制限制人臉的長寬為1：1。

Anchor computation: SSD (left) vs. BlazeFace

Post-processing

由于最后一層feature map較大（相對于ssd），導(dǎo)致預(yù)測結(jié)果會較多，在連續(xù)幀預(yù)測過程中，nms會變導(dǎo)致人臉框變得更加抖動(dòng)。本文在原始邊界框的回歸參數(shù)估計(jì)變?yōu)槠渑c重疊概率的加權(quán)平均。這基本沒有帶來預(yù)測時(shí)間上的消耗，但在提升了10%的性能。

實(shí)驗(yàn)

效果好速度快的方法想不想要？

跟mobilenetv2+ssd的效果對比

各終端上的速度比較