冠军方案解读｜世界人工智能创新大赛-口罩识别方向

2020年世界人工智能创新大赛菁英挑战赛已经圆满落幕，获奖名单已于前日公布，我们邀请到了口罩识别赛题的冠军来做竞赛方案解读。

首先感谢比赛方举办这个比赛，Openvino在CPU上的加速效果很明显，非常适合CPU环境下的算法部署，通过这个比赛熟练掌握了Openvino封装部署，算是比赛的一大收获。也感谢极市工作人员邀请，以下分享我的解决方案。代码：https://github.com/whoNamedCody/Mask-Face-Detection

赛题数据：

赛题大部分数据是监控场景数据，大部分人脸都比较小，姿态较大。

任务描述：

检测图片中戴口罩和未带口罩的人脸，面向实际工程项目落地，需要在F1-score和FPS之间trade-off。

模型选择：

考虑到大部分人脸比较小，又有速度要求，因此选择CenterNet（Objects as Points）结构，CenterNet基于高斯点的方式，对小目标天生友好。因为原始的CenterNet需要训练周期比较长，因此选择了TTFNet（Training-Time-Friendly Network for Real-Time Object Detection）结构。

（1）CenterNet论文：https://arxiv.org/pdf/1904.07850代码：https://github.com/xingyizhou/CenterNet

CenterNet使用中心点表示目标，中心点定位损失函数使用Focal loss；直接回归目标的宽高WH，因为量化误差，还回归了中心点的Offset，回归使用L1 loss；不需要预设Anchor，也不需要NMS（使用3x3的MaxPooling）。

（2）TTFNet论文：https://arxiv.org/pdf/1909.00700代码：https://github.com/ZJULearning/ttfnet

CenterNet的WH回归只有中心点一个正样本，仅关注目标中心，会导致网络收敛速度慢，加重对复杂数据增强的依赖性，因此提出高斯采样，将中心点附近的进行密集的高斯采样，作为边框回归的样本，并进行高斯加权。中心点定位和CenterNet一样，使用Focal loss；回归是回归到边框的4个距离（left，top，right，bottom，这样就包含了Offset），损失函数使用Giou loss。

（3）ASFF论文：https://arxiv.org/pdf/1911.09516代码：https://github.com/ruinmessi/ASFF

为了充分利用不同尺度的特征，ASFF提出一种新的特征融合方式，在网络结构中自适应调整不同层的权重。原始的ASFF是三层FPN融合，后面我融合了四层。

（4）SSH论文：https://arxiv.org/pdf/1708.03979

使用类似SSH模块的Context Module（下图来自Retinaface，也是后面讲的SSH模块），增加感受野以及增强语义建模能力。

设计的网络结构：

骨干网使用mobilenetv2（0.5），将relu6替换为relu，使用ASFF融合不同层特征，SSH增强感受野和语义建模能力。最后模型大小大概2 Mb。

分类分支定位人脸中心点，并对人脸进行分类（mask和nomask），损失函数采用Focal loss；回归分支回归人脸中心点到边框的距离（left，top，right，bottom），损失函数采用Giou loss；优化器使用Adam，采用Step学习率。测试时使用Softnms，使用MaxPooling速度快点，但精度会差一点。（最后800x640的输入F1-score是0.76，速度大概是十几帧，由于C++测速bug，这个模型只训练一次就没有优化，最后降低输入分辨率到576x384, 将速度提到32 FPS，F1-score是0.69，因此除上述提到的外未使用其他训练trick，模型精度应该还可以提升）。

关于Openvino封装：

封装的一个比较重要的点是理解Openvino推理后的数据存储顺序，比如我的网络结构检测一张图片输出是1HW2和1HW4，使用Openvino推理的输出是可以理解为两个一维数组，长度是HW2和HW4。如下heatmap就是中心点定位的输出，x和y分别是两个类别的预测分数。其他细节见github。