[论文笔记] Facial Landmark Machines:A Backbone-Branches Architecture with Progressive Representation...

Myth丶恋晨 2021-12-05 00:47 235阅读 0赞

> 正在参加中山大学的“人工智能与科学计算”夏令营，其中的实验室科研活动就要求我们阅读所给定的论文并写一篇博文。  
> 以下就是我的阅读笔记：

> 论文题目：Facial Landmark Machines: A Backbone-Branches Architecture with Progressive Representation Learning  
> 论文作者：Lingbo Liu, Guanbin Li, Yuan Xie, Yizhou Yu, Qing Wang and Liang Lin  
> 所属机构：Human Cyber Physical Intelligence Integration Lab (HCP Lab), Sun Yat-Sen University (SYSU).  
> 论文链接：https://arxiv.org/pdf/1812.03887.pdf

**(1) 摘要：**

2018年12月，HCP Lab 针对 Facial Landmark Localisation 提出了一个基于 FCN 所改进的 BB-FCN 模型（cascaded backbone-branched fully convolutional neural network）。**该模型有以下几个特点：属于 two-stage 模型，也是在“由粗到精”（coarse to fine）上进行探究，能给出 full response map，适用于非受控环境（即 unconstrained / in the wild）。**

此外，在这篇论文中，HCP Lab 还提出了一个人脸数据集：SYSU16K。该数据集共计 7317 张图像，包括16000张以上的人脸，并进行相应的标注（72 landmarks）。

![20190717155532896.png][]

**(2) 模型结构：**

![20190717160943825.png][]

由上图可以看出，BB-FCN 由两部分组成：Backbone 和 Branchs，其中，Branchs 共享相同的网络结构，所含分支个数由预测Landmark 个数所决定（论文中所展示的是 5 Landmark，分别对应五个分支：left eye(LE)，right eye(RE)，nose(N)，left mouth corner(LM)，right mouth corner(RM) ）。

其中，Backbone 预测较为粗糙的 Landmark，Branch 根据其预测结果对相应位置进行 Crop，并做进一步细粒度的预测。Backbone 所接受的输入为原图，Branchs 接受的输入除了所 Crop 的原图外，还包括 Backbone 所提供的 Response Map。

此外，论文中所提的模型比较小，用的大多是卷积核为 5 x 5 的卷积层，而且 Channel 的升维也与其他常见模型不同，最大的 Channel 才 30，所以这个模型总的来说比较小的。

通常 Facial Landmark Localization 被视为 Regression Problem，但是在这篇论文中，作者将其认为是 Pixel-Labeling Problem，所以作者基于 FCN 进行改进也显得很正常，而这样做的好处就是：能处理任意大小图像，而不需要受到指定人脸框大小的限制，能提供更方便理解的概率热力图。(看这篇论文总给我种在看 Object Detection 的感觉，可能是里面有许多做法比较类似吧)

**(3) 实验细节：**

**关于 Loss Function：**

由于这个模型是 two-stage 的，以下分别是训练 Backbone 和 Branchs 的 Loss：

![20190717170102655.png][]![20190717170119378.png][]

因为 BB-FCN 并不直接预测离散的 Landmark，而是预测关于 Landmark 的 Response Map，用这样的 Loss Function 会导致一个问题：**正负样本比例严重不均衡，极容易出现 easy-negative example 在 loss 中占主导地位的情况，这会导致模型极可能将Ground Truth 预测为负样本**（这跟 Kaiming He 在 Focal Loss 那篇文章所指出的情况一致，只不过作者并不在 Loss Function 上做改进，而是在训练方式上做改进）。

**关于 Selective Response Map Training：**

为了解决正负样本不均衡的问题，作者采取了选择策略：随机选择与 Ground Truth 同样个数的 non-landmark 进行 Loss 计算，以保证正负样本数量均衡；此外，当 Loss 不再下降时，作者将采用 Hard Negative Mining。

**关于其他细节：**

在训练时，将数据集中的人脸进行裁剪并同一缩放到 32 x 32，再输入到模型中；在测试时，会将目标图像的原图缩放成不同尺寸，以构建图像金字塔，输入到 Backbone 中，对粗糙结果进行 NMS，再输入到 Branchs 中。

训练时，Batch Size 为 40，且训练 Backbone 时，正负样本比例为 1 : 1；训练 Branchs 时，正负样本比例为 4 : 1。正样本从 SYSU16K 中的数据裁剪得到（与原人脸区域的 IOU 超过 0.5），负样本从 Pascal VOC 2012 中 non-facial region 裁剪得到。

![20190717164801401.png][]

**(4) 总结：**  
由于时间原因以及之前没接触过相关方向，这篇论文我看的比较粗糙，尤其是没有细看实验结果部分，不好对这篇论文的工作做出全面的评价。

**优点：**

*  BB-FCN 采取“由粗到精”（coarse to fine）的方式进行预测，且提供 reseponse map。
 *  模型的复杂度可由所需预测精度（即所预测的 Landmark 类型/个数）决定，且整体模型很小。
 *  所使用的场景是 in the wild 的，适应各种非受控环境。

**有待改进之处：**

*  由于 BB-FCN 是 two-stage 的，无法做到 end-to-end，可以将尝试同时训练 Backbone 和 Branchs。（对我来说，我是不喜欢 two-stage 的算法的，因为一般来说 two-stage 的算法训练是比较复杂的，很难使其收敛到最好的表现）
 *  可以考虑从 Loss Function 入手解决正负样本不均衡问题，如：Focal Loss，alpha-CE Loss。(虽然不一定有效果)
 *  从结构上看，Branchs 中的分支仅对 Backbone 的预测结果进行微调，但是并没有利用到同一张人脸中其他 Landmark 的信息。（可以尝试利用其他Landmark预测结果对当前 Landmark 的预测结果进行限制）
 *  所用数据集还是不够大，比较难适用在现实场景中。（这一点其实应该算是大部分人脸方向论文的弊病，数据集太难做了，不像大厂那样有足够的资金与动力）

--------------------

**如果你看到了这篇文章的最后，并且觉得有帮助的话，麻烦你花几秒钟时间点个赞，或者受累在评论中指出我的错误。谢谢！**

**作者信息：**  
**知乎：[没头脑][Link 1]**  
**CSDN：[Code\_Mart][Code_Mart]**  
**Github：[Tao Pu][]**

[20190717155532896.png]: /images/20211205/149e34cc1ae043a99a2d5f7eabc8f90d.png
[20190717160943825.png]: /images/20211205/9af5a04077964c47a2f3d348da306ae7.png
[20190717170102655.png]: https://img-blog.csdnimg.cn/20190717170102655.png
[20190717170119378.png]: /images/20211205/4d2a369dcbe046fca1fb5c2099fa486a.png
[20190717164801401.png]: /images/20211205/a25ccf404eee46e8be2ee6ed1e43177c.png
[Link 1]: https://www.zhihu.com/people/putao537
[Code_Mart]: https://me.csdn.net/Code_Mart
[Tao Pu]: https://github.com/putao537