人脸检测模型

OpenVINO的模型库中有多个人脸检测模型，这些模型分别支持不同场景与不同分辨率的人脸检测，同时检测精度与速度也不同。下面以OpenVINO2020 R04版本为例来逐一解释模型库中的人脸检测，列表如下：

在这里插入图片描述从列表中可以看出骨干特征网络主要是MobileNetv2与SqueezeNet两种支持实时特征网络，ResNet152是高精度的特征网络，检测头分别支持SSD、FCOS、ATSS。
MobileNetv2版本的模型结构
深度可分离卷积

ResNet网络
残差网络模型在2015年提出，OpenCV从3.3版本开始支持，相关的论文如下：

SqueezeNet网络
该模型与MobileNet网络都是支持移动端/端侧可部署的模型，2016提出，相关论文如下：

模型结构

根据不同的检测头，组合生成不同的对象检测模型，这里三种常见的检测模型：
SSD检测
SSD论文中给出的是基于VGG-16作为backbone网络的，替换VGG为MobileNetV2，然后从第12个权重层开始提取特征到第14或者15个权重层，针对anchor预测与类别预测完成回归与分类损失计算，实现对象检测模型训练。

FCOS检测
跟YOLOv1相似是一个anchor-free的网络模型

多了一个中心输出来压制低质量的bounding box输出。
ATSS
ATSS的全称是自适应训练样本选择，

作者首先对比了RetinaNet与FCOS两种对象检测方法，发现对象检测在回归阶段的本质问题是如何选择正负样本，解决样本不平衡性问题，从而提出了一种新的正负样本选择定义方法-自适应训练样本选择（ATSS）。流程如下：

该方法可以获得更好的对象检测精度与mAP，适用RetinaNet与FCOS等对象检测网络。实际实验数据对比：

实验对比：
上面的OpenVINO的人脸检测模型列表中，MobileNetv2 + SSD/FCOS适用于速度优先，不同分辨率的场景，ResNet152 + ATSS是OpenVINO模型库中的精度最高的人脸检测预训练模型。下面我们就通过代码分别测试FCOS与ATSS两种检测模型的检测效果比较，针对同一张测试人脸图像，图示如下：

统一调整阈值为0.25，推理时间与检测人脸总数的对比图如下：

最终分别得到测试图像如下：