人脸检测是一个很常用的算法，可应用在许多业务中，可为应用提供人脸所在图片区域的坐标信息，一般用(xmin, ymin, xmax, ymax)的坐标格式进行描述。本文我们给大家介绍的BlazeFace是一个非常轻量级的人脸检测器，其在许多嵌入式设备中都可以达到超实时的效率，在一些性能较好的手机gpu中甚至可达亚毫秒级（文中在某果手机中进行了该实验）。笔者复现了该算法，在RK3399开发板中，使用阿里开源的MNN进行移植，CPU上的inference仅耗时10ms，性能相当强劲。下图为其在各个设备上的耗时，基于MNN的测试代码见GitHub。
首发：https://zhuanlan.zhihu.com/p/73741766
作者：张新栋
BlazeFace在各个平台的推理速度
下面我们来跟大家分析讨论一下该算法模型的设计。我打算从两个方面去给大家说说该算法，第一个是骨干网络的设计，第二个是检测回归器的设计。
- 骨干网络设计
首先我们先看看骨干网络，其骨干网络设计的出发点很简单，就是快准狠！第一，模型的表达能力要够用；其次，推理的速度要快。目前能同时满足需求的骨干网络有MobileNet系列、ShuffleNet系列、SqueezeNet系列等，由于BlazeFace是谷歌的工作，其大概率会继续MobileNet进行改进。
熟悉MobileNet工作的同学可能会比较清楚，如果你想加速MobileNet骨干网络的前传速度，我们可以通过调节depth multiplier的方式，这里我们假设输入的尺寸不变。我们做工程如果这么去设计无可厚非，回归到论文写作本身上看，这么做的贡献是不够的。我们先来看看论文作者的骨干网络的模块设计，如下图
左: single blaze, 右: double blaze
作者区别于MobileNet的模块设计，使用了更大感受野的depthwise convolution配合1x1卷积核来进行特征提速。因为作者在实验中发现，1x1卷积核的开销实际上要大于depthwise convolution。作者在较低层次的特征提速中，第一通过增加depthwise conv的感受野，用以增加特征的提取能力；第二降低1x1卷积核的输出通道数，用以提升推理速度，作者称其为single blaze。
在高层次的特征提取中，MobileNet的处理是对应增加1x1卷积核的通道数，depthwise conv亦同理。该方式虽然可较好的对高层次的特征进行提取，但会引入较大的计算量，MobileNet到最后几层的输出通道数达1024，这在嵌入式设备中是一个不小的计算量。更直接一点，大家肯定会想到的方法就是减少1x1的卷积输出通道数，但是又会造成模型表达能力的减弱。为了克服这个问题，作者沿用之前的思路，采取大感受野的depthwise conv配合小维度的1x1卷积核。不过作者这里做了一个小改动，采用了嵌套single blaze的方式来增加模型的表达能力。仔细观察上图可以发现，其在第一个single blaze的输出为24，而在第二个single blaze的输出为96。相比于MobileNet动则256、512、1024的1x1卷积核输出通道数，作者仅仅用了一个24和一个96的1x1卷积核就完成了操作。在相同的模型层数下，BlazeFace的网络大小要小于MobileNet很多，速度上也会快上不少。作者的实验中可以看出，在正脸检测的任务上略优于MobileNet SSD，同时速度是其约4倍，非常优秀。
- 检测回归器的设计
检测回归器的设计，作者主要还是参考了SSD的工作。由于该算法主要需处理的任务为正脸的检测，其anchor在大多数的情况下，使用比例为1.0的anchor即可以得到很好的效果。相比于传统的SSD通过级联6个尺度下的特征（本文作者实现的MSSD级联了4个尺度下的特征），BlazeFace仅仅级联了2个尺度的特征进行人脸检测，且在16x16特征下每个点仅采用2个anchor，在8x8特征下每个点采用6个anchor，在数据分布不复杂的情况下，既能解决问题，又可以提升网络推理的速度，一举两得。
左：MSSD网络结构，右：BlazeFace网络结构
- 最后
BlazeFace是一个非常高效的人脸检测器，其在近距离正脸场景下的人脸检测任务的表现中非常优异，既可以保证检测的准确性，又有很快的推理速度，非常适合部署于嵌入式设备中。后续我们会再写一篇文章，给大家介绍如何用tensorflow来实现BlazeFace，并借助MNN进行端上设备的网络推理加速。欢迎大家留言讨论、关注专栏，谢谢大家！
- 参考
推荐阅读
专注嵌入式端的AI算法实现，欢迎关注作者微信公众号和知乎嵌入式AI算法实现专栏。
更多嵌入式AI相关的技术文章请关注极术嵌入式AI专栏。
