近日，实验室关于人脸检测的工作“Hierarchical Attention for Part-Aware Face Detection”(作者: Shuzhe Wu, Meina Kan, Shiguang Shan and Xilin Chen)被IJCV (Special Issue on Deep Learning for Face Analysis)接收。IJCV的全称为International Journal of Computer Vision，是计算机视觉领域的国际顶级期刊之一，2018年SCI影响因子为11.541。
对于人脸检测任务，有效的人脸特征表示是提升检测精度的关键。由于人脸会受到姿态、尺度、表情、光照、遮挡等诸多内外因素的影响，因此在整体和局部表观上会呈现出非常复杂的变化模式，人脸上不同的局部区域（部件）之间会存在显著差异，各个部件对检测任务的贡献也不尽相同。然而，在目前的人脸检测方法中，尤其是基于卷积神经网络的方法，人脸的特征表示是采用均一化的方式进行构造的，具体而言，对于不同的局部区域，其特征都是用相同的卷积核（卷积层）或者池化方式（池化层）来计算得到，并且对于不同的人脸，每个局部特征的贡献恒定不变，这一过程没有充分考虑局部表观之间的差异性，从而降低了特征表示的有效性。为此，我们设计和提出了一种层次化注意力机制，在构造特征表示的过程中对人脸局部表观的差异性进行建模，以得到更有效的人脸特征表示。我们设计的层次化注意力机制包含部件特定(局部)注意力和人脸特定(全局)注意力，前者通过可学习的高斯核进行建模，在人脸局部进行搜索以提取更具表达能力的部件特征，后者采用LSTM对部件特征进行整体建模，预测注意力图，以自适应地调整各个部件对于人脸检测任务的贡献。方法的总体框架图如下：
概况而言，该工作的主要贡献包括：1）设计了一种有效的层次化注意力机制对人脸的整体和局部表观变化进行建模，其能够构造出更具表达能力的人脸特征表示；2）基于层次化注意力机制设计了具备部件感知能力的人脸检测器PhiFace；3）在多个真实场景的人脸数据集上对所提出的方法进行了充分的分析和验证，并获得了State-of-the-art的检测精度。
论文信息：Shuzhe Wu, Meina Kan, Shiguang Shan and Xilin Chen. “Hierarchical Attention for Part-Aware Face Detection,” International Journal of Computer Vision (IJCV), 2019. (Accepted on Jan.29th, 2019).
附件：