用于高性能人脸检测的边界框深度校准

现代基于卷积神经网络（CNNs）的人脸检测器因大规模标注数据集而取得巨大进展。然而，高检测置信度但低定位精度的错位结果限制了检测性能的进一步提升。本文中，作者首先在训练集本身上预测高置信度检测结果。令人惊讶的是，其中相当部分存在同样的错位问题。随后，作者仔细考察这些案例并指出标注错位为主因。接着，对预测边界框与标注边界框之间替换的合理性给出全面讨论。最后，作者提出一种新颖的边界框深度校准（BDC）方法，以模型预测边界框合理替换错位标注，并为训练集提供校准后的标注。在多个检测器与两个流行基准数据集上的大量实验显示了 BDC 在提升模型精确率与召回率上的有效性，且不增加额外推理时间与内存消耗。我们这种简单有效的方法为改进人脸检测提供了通用策略，尤其适用于实时场景中的轻量检测器。