1. 简介

人脸关键点检测也称为人脸对齐，目的是自动定位一组预定义的人脸基准点（比如眼角点、嘴角点）。作为一系列人脸应用的基础，如人脸识别和验证，以及脸部变形和人脸编辑。这个问题一直以来都受到视觉界的高度关注，在过去的几年里，我们的产品取得了很大的进步。然而，开发一种实用的人脸关键点检测器仍然具有挑战性，因为检测精度，处理速度和模型大小都应该考虑。

在现实世界条件下，获得完美的面孔几乎是不可能的。换句话说，人脸经常是出现在控制不足甚至没有约束的环境中。在不同的照明条件下，它的外表有各种各样的姿势、表情和形状，有时还有部分遮挡。下图提供了这样的几个例子。此外，有足够的训练数据用于数据驱动方法也是模型性能的关键。在综合考虑不同条件下，捕捉多个人脸可能是可行的，但这种收集方式会变得不切实际，特别是当需要大规范的数据来训练深度模型时。在这种情况下,我们经常会遇到不平衡的数据分布。本文介绍的这个人脸检测算法PFLD《PFLD: A Practical Facial Landmark Detector》总结了有关人脸关键点检测精度的问题，分为三个挑战（考虑实际使用时，还有一个额外的挑战！）。
在这里插入图片描述

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；
全局变化：人脸姿态、成像质量；
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；
模型效率：在 CNN 的解决方案中，模型效率主要由 backbone 网络决定。

2. 网络结构

在这里插入图片描述
黄色曲线包围的是主网络，用于预测特征点的位置；

绿色曲线包围的部分为辅助子网络，在训练时预测人脸姿态（主要包括三个姿态角，，有文献表明给网络加这个辅助任务可以提高定位精度，具体参考原论文），这部分在测试时不需要。

backbone 网络是 bottleneck，用MobileNet块代替了传统的卷积运算。通过这样做，我们的backbone的计算量大大减少，从而加快了速度。此外，可以根据用户需求通过调整MobileNets的width参数来压缩我们的网络，从而使模型更小，更快。

姿态角的计算方法：

预先定义一个标准人脸(在一堆正面人脸上取平均值)，在人脸主平面上固定11个关键点作为所有训练人脸的参考;
使用对应的11个关键点和估计旋转矩阵的参考矩阵;
由旋转矩阵计算欧拉角。

网络结构细节如下：
在这里插入图片描述

3. 损失函数

在深度学习中，数据不平衡是另一个经常限制准确检测性能的问题。例如，训练集可能包含大量正面，而缺少那些姿势较大的面孔。如果没有额外的技巧，几乎可以肯定的是，由这样的训练集训练的模型不能很好地处理大型姿势情况。在这种情况下，“平均”惩罚每个样本将使其不平等。为了解决这个问题，我们主张对训练样本数量少进行大的惩罚，而不是对样本数量多的进行惩罚。
在这里插入图片描述
M为样本个数，N为特征点个数，Yn为不同的权重，|| * ||为特征点的距离度量（L1或L2距离）。(以Y代替公式里的希腊字母)

进一步细化 $Y_n$ :
在这里插入图片描述
其中：

即为最终的样本权重。

K=3，这一项代表着人脸姿态估计的三个维度，即yaw, pitch, roll 角度，由计算公式可知角度越高，权重越大。

C为不同的人脸类别数，作者将人脸分成多个类别，比如侧脸、正脸、抬头、低头、表情、遮挡等，w为与类别对应的给定权重，如果某类别样本少则给定权重大。

4. 测试结果

检测精度对比如下面的表所示
在这里插入图片描述
下面来看一下算法处理速度和模型大小，图中C代表i7-6700K CPU,G代表1080 Ti GPU，G*代表Titan X GPU，A代表移动平台Qualcomm ARM 845处理器。

其中PFLD 1X是标准网络，PFLD 0.25X是MobileNet blocks width 参数设为0.25的压缩网络，PFLD 1X+是在WFLW数据集上预训练的网络。

下图是该算法在AFLW数据集上与其他算法的精度比较：
在这里插入图片描述
消融实验方面作者仅仅分析了损失函数带来的影响，结果如下表所示。

5. PFLD优化

5.1 GhostNet

这里简单介绍一下GhostNet，因为优化过程中会使用到GhostNet提出的GhostModule，而且正是GhostModule，PFLD的效率有了一个质的提升。
《GhostNet: More Features from Cheap Operations》是2020年3月华为、北大为了提升CNN在嵌入式设备的运行效率而提出的算法。其中提出的GhostModule，巧妙地将PointWise Convolution和DepthWise Convolution结合起来，在达到相同通道输出的前提下，有效地减少运算量。虽然上面提到的Inverted Residual Block同样也是PointWise Convolution和DepthWise Convolution的结合体，但是两者将它们的结合方式有所不同，而正是GhostModule的巧妙结合，让网络的计算量得到减少。
其实按照个人的理解，GhostModule可以一句话概况为：输入的Tensor先做PointWise Convolution，再做DepthWise Convolution，最后将PointWise Convolution和DepthWise Convolution的结果按channel的维度进行拼接，作为最终的输出。大道至简，操作并不复杂，但却大大减少了运算量。

5.2 PFLD网络结构优化

5.2.1 1 调整PFLD网络结构，并增加多尺度全连层的数目（保持网络速度不变，尽可能提升网络精度）

对PFLD的基础网络进行调整，没有用NAS等技术，凭借经验和不断尝试尽量找出性能较好的网络结构，如果大家找到更好的网络结构，也欢迎大家分享出来。
此外，PFLD论文中提到 “To enlarge the receptive field and better catch the global structure on faces, a multi-scale fully-connected (MS-FC) layer is added for precisely localizing landmarks in images”，大概意思是为了增大感受野和更好地获取人脸的全局结构，多尺度全连层的嵌入，可以准确地定位人脸关键点。论文作者认为，多尺度全连层是为了提升网络的定位精度而加入的，因此在优化过程中，增加了多尺度全连层的数目，以提高网络的定位精度。
初步优化的网络结构如下：
在这里插入图片描述