對于以人臉檢測為代表的目標檢測深度學習網絡來說，誤檢是一件非常惱人的事情。把狗檢測為貓尚可接受，畢竟有些狗的確長得像貓，但是把墻壁、燈泡、拳頭、衣服檢測成人臉就不能忍了，明明一點都不像。稍稍思考下，我感覺應該能夠從兩個方面解釋下誤檢問題。

圖像內容問題

在訓練人臉檢測網絡時，一般都會做數據增強，為圖像模擬不同姿態、不同光照等復雜情況，這就有可能產生過亮的人臉圖像，“過亮”的人臉看起來就像發光的燈泡一樣。。。如果 發光燈泡 經過網絡提取得到的特征，和 過亮人臉 經過網絡提取得到的特征相似度達到臨界值，那么網絡把發光燈泡檢測為人臉就不足為奇了。

同樣的道理，用于訓練網絡的人臉數據集中，若是存在一些帶口罩，帶圍巾的人臉圖像，那么網絡就極有可能“記住”口罩、圍巾的特征，在預測階段，要是有物體（比如衣服）表現得像口罩、圍巾，那么網絡就有可能把該物體檢測成人臉。

當然，以上討論都是啟發性的，本文暫時不把它當做討論重點。

目標 bbox 的范圍問題

目前非常流行的深度學習目標檢測網絡（SSD、YOLO、RetinaFace 等）在訓練階段，我們需要提供目標在圖像中的 bbox，所謂 bbox，其實主要就是指目標的外接矩形。這樣訓練而來的網絡在預測階段，一般給出的也是目標的外接矩形。

問題就出在 bbox 上，接下來的討論還是以人臉檢測為例，請看下圖：

這是一個典型的目標 bbox。bbox 本質上是矩形，但通常目標（人臉）不是矩形，bbox 內部包含一些非人臉內容， 我認為這些非人臉內容要對誤檢負一部分責任 。

常用的人臉檢測網絡一般使用大量的卷積層提取圖像特征，得到的特征圖尺寸通常小于原始輸入圖像數倍（取決于卷積的 stride、padding 等參數），網絡對特征圖的每一個“像素點”做二分類（人臉類、背景類），“誤檢”就是在這個二分類過程中產生的。

數倍小的特征圖的一個“像素點”都對應著原圖的一小塊矩形區域內的像素，這么看來，特征圖的每一個“像素點”都可視為一個 bbox，只不過這些 bbox 有的屬于背景類，有的屬于人臉類。

為了簡單，將人臉檢測網絡的二分類分支抽離出來，設為 p_{\theta } ，再令 x 表示特征圖中的“像素點”， q 表示該像素點的標簽，則訓練 p_{\theta } 的一個常用方法就是優化下述目標：

\underset{\theta}{argmax}{\mathbb{E}_{x \sim p_{\theta}(x)}}\frac{p_{\theta}(y|x)}{q(y|x)} 

其中 y 為 0（背景類）/1（人臉類）標簽。 對于人臉類 ，理想情況下，我們希望 x 為人臉數據，但是實際上 x 卻是一小塊 矩形 區域內部的所有圖像數據，這個 矩形 內部常常包含一些非人臉數據，因此實際被優化的目標為：

\underset{\theta}{argmax}{\mathbb{E}_{x \sim p_{\theta}(x+\Delta x)}}\frac{p_{\theta}(y|x+\Delta x)}{q(y|x+\Delta x)} 

上式中 x 表示人臉數據， \Delta x 表示非人臉數據。通常 q(y|x+\Delta x) 是人工標注的標簽，因此 \Delta x 不會影響 q 的結果，優化下述目標就可以了：

\underset{\theta}{argmax}{\mathbb{E}_{x \sim p_{\theta}(x+\Delta x)}}\frac{p_{\theta}(y|x+\Delta x)}{q(y|x)} 

我們以為訓練得到的是 p_{\theta}(y|x) ，實際得到的卻是 p_{\theta}(y|x+\Delta x) ，可以認為 \Delta x 的存在是引起誤檢的主要原因之一。

優化誤檢問題

既然 \Delta x 的存在會引起誤檢，那么優化該問題直觀上有以下方法：

• 令 \Delta x \rightarrow 0
• 令 p_{\theta}(y|x+\Delta x) \rightarrow p_{\theta}(y|x)

遺憾的是，這兩個方法在實踐中都很難 直接 實現。雖然我們可以不考慮人工成本，將粗糙的人臉 bbox 用更加精細的多邊形代替，但是縮放數倍的卷積特征圖本身也隱含著“矩形框”，另外， 人眼認為的“人臉”未必是網絡認為的“人臉” 。

本文不考慮像素級別的語義分割任務。

稍稍再想一想，不難發現，雖然上述理論是將 x 和 \Delta x 作為彼此獨立的像素集合處理得到的，但是我們可以對該理論做稍許推廣，也即：將 x 視為 bbox 內的所有像素， \Delta x 視為 bbox 內所有干擾人臉誤檢的像素差值，那么該理論就更加有用了。

我們完成了優化人臉檢測網絡誤檢問題的理論構建，該理論將指導接下來的網絡，以及對應的損失函數設計。

構建深度學習網絡

構建 s_w 的方法有多種，下面是我做實驗時簡單構建的網絡關鍵部分的結構示意圖（這樣構造有些粗糙，但是多少能夠驗證下理論）：

常規方法在得到特征圖 x_f + \Delta x_f 時，就直接將其送到背景/人臉二分類網絡分支做分類了。在上圖的網絡架構中，我們增加了額外的一個分支，該分支從特征圖 x_f + \Delta x_f 得到一個同尺寸的 1 通道人臉特征概率圖，該特征概率圖與 x_f + \Delta x_f 相乘即可得到 x_f + \Delta x'_f ，這樣就可以得到兩個分類結果：

• p_{\theta}(x_f + \Delta x_f)
• p_{\theta}(x_f + \Delta x'_f)

再根據前面理論分析得到的 s_w 優化方法，同步優化 \theta 和 w ，即可完成訓練。

若干可視化訓練效果

這里我沒有太過仔細的測試，只在手邊的 RetinaFace 網絡上增加了前面上述結構，訓練 10 個 epoch 后，中間生成一些可視效果圖：

左：原圖及bbox標簽；中：人臉特征概率圖；右：經過 s_w 處理過的圖。

可以看出，雖然 標簽是矩形的 bbox，但是通過簡單增加一條訓練分支，我們得到了類似于語義分割的效果。

此外，從效果圖2中可以看出，網絡認為的人臉區域與人眼感受的區域并不完全一致，但是總體是保留關鍵特征的。類似的還有下圖。

誤檢的優化效果

還是偷懶，暫時沒有太過詳細的測試，只在一個非常?。?000張規模）的數據集上做了測試，誤檢降低了 5.2%，對比對象為：

• p_{\theta}(x_f + \Delta x_f)
• p_{\theta}(x_f + \Delta x'_f)

當然，這只是我粗略訓練和測試的結果。后續有時間再嘗試仔細構造下網絡設計以及訓練，補上公開數據集的測試結果對比吧。