寻找微小面孔

尽管目标识别已取得巨大进展，检测小目标仍是悬而未决的挑战之一。我们在寻找小面孔的背景下探讨了该问题的三个方面：尺度不变性的作用、图像分辨率以及上下文推理。虽然大多数识别方法旨在实现尺度不变性，但识别一个3像素高的面孔所需的线索与识别一个300像素高的面孔有着根本的不同。我们采取了一种不同的方法，为不同尺度分别训练检测器。为保持效率，检测器以多任务方式训练：它们利用从单一（深度）特征层次结构的多个层中提取的特征。训练大目标检测器相对直接，但关键的挑战在于训练小目标检测器。我们证明上下文至关重要，并定义了利用极大感受野的模板（其中99%的模板延伸至感兴趣目标之外）。最后，我们探讨了尺度在预训练深度网络中的作用，提供了将针对有限尺度调优的网络外推至极宽范围的方法。我们在大规模基准测试的面孔数据集（FDDB和WIDER FACE）上展示了最先进的结果。特别是，与WIDER FACE上的先前技术相比，我们的结果将误差降低了一半（我们的模型产生82%的AP，而先前技术的AP范围为29-64%）。