人脸检测之CenterFace（轻量级/高精度）

论文：CenterFace: Joint Face Detection and Alignment Using Face as Point

Github：https://github.com/Star-Clouds/CenterFace

论文基于centerNet进行改进，提出了anchor free形式的人脸检测框架，可以同时实现人脸检测+关键点检测。精度和速度都优于主流的MTCNN，Face Box等框架。

主要贡献：

1. 提出了anchor free的人脸检测设计，将人脸检测问题转化为关键点估计问题。相比之前的检测算法，该方法的的模型输出的下采样率只为4。
2. 基于多任务学习策略，同时学习人脸检测+关键点定位
3. 网络结构采用了FPN结构
4. 大量的实验表明，速度和精度都空前的好

级联检测器的缺点：

1. 推理速度受图片中人脸数目的影响，当人脸数目增多的时候，推理速度也会大大降低。
2. 每一个模型都单独训练，训练过程繁琐。非端到端的训练模式，整体精度有限。

网络结构：

网络整体结构采用MobileNetV2结构，MobileNetV2进行了5次下采样，在MobileNetV2的最后一层，增加了3个上采样层。最终输出的大小进行了2次下采样，输出维度为原图的1/4。

Loss函数：

人脸分类loss，

其中，α = 2 ，β = 4

人脸框中心点偏移loss，

人脸框宽，高的loss，

关键点的loss，

整体loss，

实验结果：

推理速度，

FDDB精度，

WIDER FACE 精度，

Onnx推理：

Onnx模型格式，可以方便的使用程序进行op的增删改查操作。包括节点的增加，去除，输入输出维度的修改等。同时，基于onnx runtime  的推理可以获得比基于pytorch推理略快的速度。缺点就是整个graph已经固定，不支持动态输入大小。

首先使用change_onnx.py修改作者提供的onnx模型的输入维度，

import onnx model = onnx.load("../models/onnx/centerface.onnx") # The model is represented as a protobuf structure and it can be accessed# using the standard python-for-protobuf methods # iterate through inputs of the graphfor input in model.graph.input:    print (inpu
免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删