本文主要是介绍S3FD，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
2017年的文章了，作者对已有基于anchor的人脸检测算法在感受野不匹配、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，作者分别作了以下改进。
1.在模型结构上的改进
这一块作者称为scale-equitable framework，在vgg16模型基础上新增卷积层，并在6层特征图上分别做预测。作者通过对anchor尺度、有效感受野和实际人脸大小分析，设置以上的anchor大小以及在哪些层做预测是比较合适的。
2.在anchor匹配方面的改进
已有anchor匹配策略是先对所有GT找最匹配的anchor，然后再对anchor找匹配IOU大于一定阈值的GT来对anchor贴标签。可是anchor尺度是离散的而人脸大小分布是连续的，就会出现不同大小人脸匹配到的anchor数不均衡，看下图。作者对现有anchor匹配策略做出一定改进：第一步，将阈值大于0.35的anchor设置为正样本，这能增强GT匹配到的anchor数。第二步，对于匹配到anchor较少的GT，降低阈值到0.1，然后依据IOU排序，将最匹配的N个anchor设为GT匹配到的，这能增强小人脸匹配的anchor数。
3.max out background label
在浅层，anchor较多，造成很多FP，为了减少FP，作者设计了对cls预测采用max out策略。max out指对同一个anchor做多次背景预测（3次），然后将最大的背景预测值作为最终背景预测，而人脸预测只预测一次。
4.实现细节
作者也做了OHEM，训练增强就是图像增强然后随机裁剪缩放到640，随机翻转。
作者对较浅层的特征图在预测前还做了L2归一化，这是为啥也没讲？
作者将SSD和RPN作为baseline，F代表主干结构，S代表anchor匹配改进，M表示max out。发现结构改善提升最大啊，后面的tricks都有一定提升。
这篇关于S3FD的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
