超越折中：以更高精度加速基于 FCN 的人脸检测器

全卷积神经网络（FCN）凭借其以共享核进行滑动窗口搜索的先天能力，在人脸检测任务中占据主导地位已有数年，这归结了所有冗余计算，而且最近最先进的方法如 Faster-RCNN、SSD、YOLO 和 FPN 都使用 FCN 作为其骨干网络。因此出现了一个问题：我们能否找到一种通用策略，以更高的精度进一步加速 FCN，从而加速所有最近基于 FCN 的方法？为了分析这一点，我们将人脸搜索空间分解为两个正交方向：“尺度”和“空间”。在由这两个基向量展开的空间中，只有少数坐标表示前景。因此，如果 FCN 能够忽略大多数其他点，搜索空间和误报应该会显著减少。基于这一理念，提出了一种名为尺度估计与空间注意力提议（$S^2AP$）的新方法，以关注图像金字塔中的某些特定尺度和有效位置。此外，我们采用基于注意力结果的掩码卷积操作来加速 FCN 计算。实验表明，在 $S^2AP$ 和 masked-FCN 的帮助下，基于 FCN 的方法 RPN 可以加速约 $4\times$，同时它也能在 FDDB、AFW 和 MALF 人脸检测基准上达到最先进的水平。