HyperFace: ADeep Multi-task Learning
Framework for Face Detection, Landmark
Localization, Pose Estimation, and Gender
Recognition
概要
论文采用多任务学习的方法，实现了利用CNN 同时做人脸检测，关键点定位，姿态估计和性别预测4项任务。利用多任务学习同时完成几项人脸检测任务是该篇论文主要亮点。
简介
这里提了一个概念——hyperfeatures，其实含义就是指提取多个卷积层的特征做多任务学习，之所以要这么做，是因为论文层数较浅的卷积层包含较多的细节、局部信息，更适合于关键点定位和姿态估计，对于层数较深的卷积层则包含较多的整体信息，可以用于人脸检测和性别预测。
然而由于多个卷积层包含的信息十分庞大，难以直接拿来做多任务学习，所以需要一种特征融合（feature fusion）技术用以将多层的特征信息线性或非线性的结合到一块子空间上。论文构建了一个单独的fusion-CNN 层用来复用hyperfeatures，利用该fusion-CNN输出的特征做多任务学习。
主要的贡献有如下四点：
1）：提出了一种新的CNN框架，可以复用中间层特征做多任务学习。
2）：提出了两种后处理方法，迭代区域选择和基于关键点的NMS，可以有效提示整体性能。
3）：对比了采用单任务学习和多任务学习下的R-CNN性能差别。
4）：4种任务在各非约束评测集上都取得了突破性结果。
HYPERFACE
算法主要包含三个模块，第一个模块从图像中产生候选区并resize到227*227输入到网络；第二个模块是CNN，如上图所示，做二分类，分类出是否为人脸，如果是人脸则输出关键点、姿态、性别预测结果；第三个模块是一个后处理，包含候选区迭代和基于关键点的NMS。
HYPERFACE架构
在设计网络架构时，有两个前提，分别是：
1、 CNN特征分布于各层中，浅层网络反映局部特征信息，适于关键点检测和姿态估计，深层网络反映全局特征信息，适于检测和分类。
2、 多任务协同学习被证明比单任务独立学习更加有效。
基于这两点，设计了HYPERFACE这种网络结构，由于相邻层网络包含着较多的重复信息，所以在采样特征时，间隔选择网络提取特征即可。
作者设计的网络基于AlexNet，提取的中间网络层分别是max1，conv3，pool5，由于三个层的特征维度不同，所以不能直接将其拼接在一起，作者设计了conv1a和conv3a卷积层卷积Max1和Conv3的特征，获得归一化的统一特征维度，最后和pool5拼接在一起，得到6*6*768维度的feature maps，由于特征庞大，又增加了卷积核为1*1的Conv_all卷积层将特征降维到6*6*192[1]，之后是一个全连接层，输出3072维的特征向量，之后将该特征向量分为5个部分，每一个512维，用于分别学习不同任务。在每一个全连接层后部署非线性ReLU激活函数。为了不丢失局部信息，在fusion网络中不使用任何pooling操作。
训练过程
作者选择AFLW作为训练集，并从中抽取1000张作为测试集，采用了多种损失函数用以训练不同任务：
人脸检测
作者使用Select Search用以生成候选区，IOU大于0.5时为正例(l=1)，小于0.35的作为负例(l=0)，使用softmax损失函数。
p表示该区域是人脸的概率，从Fc_detection获取得到。
关键点定位
AFLW包含21个关键点信息，IOU大于0.35的作为正例被采用，所有关键点坐标被归一化，采用相对值，映射函数为：
xi,yi为关键点坐标，x,y为人脸中心的坐标，w,h为人脸宽高，对于缺失的关键点，被设置为(0,0)。使用Euclidean损失函数，如下所示：
可见预测
作者这里还训练了一个用于预测关键点是否可见的分类器，采用IOU大于0.35的候选框作为正例，使用Euclidean损失函数，如下所示：
vi表示该候选框，第i个关键点是否可见的真值，1为可见，反之为0， 
姿态估计
使用Euclidean损失函数训练roll(p1),pitch(p2),yaw(p3)，IOU大于0.5的为正例:
性别预测
IOU大于0.5的作为正例，损失函数为：
g=0表示male，为1表示female。（p0，p1）是一个2维预测向量，由网络计算得到。
全局损失函数
，分别对应上面5项。
Testing
这里主要讲两个点，Iterative Region Proposals(IRP)和Landmarks-based Non-MaximumSuppression(L-NMS)。
IRP
作者先指出了Fast_SS（作者使用的一种Selective Search的改进算法）的不足，其不能准确定位一些噪声较大的人脸，导致其在检测过程中因分数过低而被漏检。于是，作者采用了一种新的策略，使用FaceRectCalculator[2]（应该是一种借助关键点信息生成人脸框的工具）借助关键点信息产生候选区域。在网络中预测一轮后，再利用新的关键点信息生成新的人脸框，迭代该过程。论文设置的迭代次数为1，伪代码如下所示：
L-NMS
跟其他NMS算法的不同就是不以人脸框坐标作为参数，而是以关键点中的最小四个角坐标作为参数，作者觉得这样的话更加人脸紧凑，可以避免相邻脸被合并或漏检等情况。伪代码如下：
NMS取top-k的结果，人脸框选择得分最大的，其余几项选择top-k的中值，也就是说，最终结果由top-k决定的投票结果，作者设置k为5.
Runtime
8核CPU加泰坦XGPU的配置也只能达到3s一张的水平，其中有2s用在selectivesearch上，但是作者指出，一次forward pass仅需0.2s，但是这速度依然够慢了。
我的心得：这篇论文很难付诸应用，因为其速度实在难以令人接受，其亮点在于中间层特征的利用和多任务学习，这两点相辅相成，往往比单任务学习可以取得更好的效果。
关于作者指出selective search耗费了太长时间，其实faster r-cnn已经解决了该问题，借鉴faster r-cnn的RPNs网络，其实速度可以提升不少。
[1] .C. Szegedy, W. Liu, Y. Jia, P.Sermanet, S. Reed, D. Anguelov,D. Erhan, V. Vanhoucke, and A. Rabinovich. Goingdeeper withconvolutions. CoRR, abs/1409.4842, 2014.
[2] . M. Kostinger, P. Wohlhart, P. Roth,and H. Bischof. Annotated facial landmarks in the wild: A large-scale,real-world database for facial landmark localization. In IEEE InternationalConference on Computer Vision Workshops, pages 2144–2151, Nov 2011.