Face FRCNN

Face Detection using Deep Learning: An Improved Faster RCNN Approach

背景介绍

偏工程性论文，使用一些技巧和经验提高人脸检测的准确率。

论文要点

• FasterRCNN的检测框架
• Feature Concatenation

• ROI Pooling作用于低层特征和高层特征，并使用L2归一化，避免不同层特征的量级差异

• 使用1x1卷积融合不同层的ROI特征

  
  Feat-Concat

• Hard Negative Mining
• Multi-Scale Training

问题思考

• Feature Concatenation

• 生成ROIs时用的特征是最后一层特征，最后目标分类和回归用的是不同层特征融合，是否可以在生成ROIs前先融合不同特征，类似于FPN。
• 文中对比实验提到，特征融合可以准确率，可以理解为特征融合后，目标框的分类准确率有所提高。
• 是否可以特征融合的思路借鉴到RFCN中，在生成最后一层卷积，先做类似于FPN的特征融合。