PFLD: A Practical Facial Landmark Detector

转载： https://www.jiqizhixin.com/articles/2019-04-17-20
PFLD算法，目前主流数据集上达到最高精度、ARM安卓机140fps，模型大小仅2.1M!

研究背景

人脸关键点检测，在很多人脸相关的任务中，属于基础模块，很关键。比如人脸识别、人脸验证、人脸编辑等等。想做人脸相关的更深层次的应用，人脸关键点是绕不过去的点。正是因为它是一个基础模块，所以对速度很敏感，不能太耗时，否则影响了系统整体的效率。所以对人脸关键点检测的要求是，又准又快。

研究问题

人脸关键点目前存在的问题（不能又准又快）的原因如下：

1. 局部变化：表情、局部特殊光照、部分遮挡，导致一部分关键点偏离了正常的位置，或者不可见了；
2. 全局变化：人脸姿态、成像质量；
3. 数据不均衡：在人脸数据里面，数据不均衡体现在，大部分是正脸数据，侧脸很少，所以对侧脸、大角度的人脸不太准；
4. 模型效率：在 CNN 的解决方案中，模型效率主要由 backbone 网络决定
   在实际使用中，人脸关键点的问题主要有两个：1）对“点是否遮挡”判断是否准确；2）对大角度人脸（±60 度以内）点位置预测的准确性和稳定性。

解决思路

1. 修改 loss，增加关键点的空间约束项（三个姿态角）和数据均衡项；
2. backbone 采用 MobileNet（常规操作）；
3. 用 auxiliary network，让点位置预测更稳定和鲁棒（常规操作）。

复现指南

模型

损失函数

损失函数的意义在于表示差异，而且能表示真正的距离。特别是当对象本身具备 3D 属性，而仅在 2D 上表示的时候，这样的距离表示就是不准确的。本文作者认为，对于人脸这种对象，人脸 pose（更简单的说是 3 个欧拉角）可以弥补一些人脸 3D 到 2D 的信息损失。具体怎么弥补

希望是网络可以学到 3D 姿态的信息，最容易想到的方法是让网络去预测三个角度，这么做是可以的。进一步还能怎么做？把预测的角度损失和点位置损失组合起来，具体的组合方式，比如相加，或者相乘。相加的方式比较类似多任务损失，相乘的方式可以理解为一种加权，因为角度损失一般会归一化到 0-1 之间。

在实际中又发现，这个角度分布，存在样本不均衡的问题，所以又增加了样本均衡项。

绿色框是预测的角度和 gt 的差值，通过 cos 变成 0-1 之间，通过 (1-x) 操作变成单调增。

红色框是样本均衡项，作者把人脸分成六类（侧脸，正脸，抬头，低头，有表情，有遮挡），统计了训练集中这六类的数量分布，计算对应的数量比例，比如 1/10，用它的倒数，作为均衡项（用倒数是否合理？是否有点糙？可以考虑 focal loss 和 class-balance loss 的处理方法）。

网络

上面是 auxiliary 网络，预测三个角度，infernce 不参与，和下面的网络，共用一些层。角度预测的 gt，是用一个平均正脸上预先定义的 11 点，和 gt 中的 11 点估计出的旋转角度，作为角度的 gt。

下面是 backbone + head：

红框是 head，用了多尺度预测，类似 SSD 的做法。

实验

SOTA 比较：和去年的 LAB 方法（Look at Boundary）相比，NME 提升 0.1 个点。

速度：ARM845 上，一张人脸只要 7ms。backbone 优化，另外一个原因是直接回归位置坐标，而不是常规的 heatmap + offsetr 的方式，无后处理耗时。

Ablation:

对于直接回归位置坐标，本文提出的改进 loss 提升略明显（存疑）。

个人评价

应用决定算法对什么更敏感。人脸关键点终究是一个耗时敏感的问题，为了效率，本文的考虑有如下：

• backbone 采用 MobileNet
• 直接回归点坐标，省去后处理耗时
• 用 auxiliary 网络，这个网络再怎么搞，都不会影响 inference 耗时
• 对 loss 的优化，再怎么玩，都不会影响 inference 耗时

什么会影响耗时：

• 输入大小
• inference 涉及的 backbone 和 head
• target_to_label 的耗时
  所以，像什么对抗损失、模仿学习、加数据训等等方法，都是可以在不改变算力的情况提升模型性能的手段，在工业界常常使用。

三点想法：

• 如果模型的角度预测分支，放在和位置预测一起出，效果会怎么样？
• 如果人脸的角度不是预测的，是标注的，效果会怎么样？
• 考虑效率的话，输入大小和模型算力配比，是最佳的均衡么？