Training MTCNN
Posted on September 11, 2018 Categories: Computer Vision Tags: Face Detection, Face Alignment
MTCNN训练记录
最近尝试使用Caffe复现MTCNN,感觉坑很大,记录一下训练过程,目前还没有好的结果。网上也有很多童鞋在尝试训练MTCNN,普遍反映使用TensorFlow可以得到比较好的结果,但是使用Caffe不是很乐观。
已经遇到的问题现象
-
2018.09.11:目前只训练了12net,召回率偏低。
以blankWorld/MTCNN-Accelerate-Onet为baseline,blankWorld在FDDB上的测试性能如下图
这个效果很不错,但是我自己生成样本后训练12net,召回率有明显下降。性能对比如下图
暂且不管12net的测试结果为什么会这么差,两个模型的性能差距是可以反映的。
训练记录
-
2018.09.11
训练数据生成
参考AITTSMD/MTCNN-Tensorflow提供的prepare_data进行数据生成。数据集情况如下表
Positive Negative Part Landmark Training Set 156728/189530 470184/975229 156728/547211 313456/357604 Validation Set 10000 10000 10000 10000 其中Pos:Neg:Part:Landmark = 1:3:1:2,样本比例参考原作的比例。Pos、Neg、Part来自于WiderFace,Landmark来自于CelebA。其中正样本进行了人工的数据筛选,筛选的原因是根据WiderFace生成的正样本,有很多都是质量很差的图像,包含人脸大面积遮挡或十分模糊的情况。之前召回率很差的性能来自没有经过筛选的训练集,因为使用了OHEM,只有loss值在前70%的样本才参与梯度计算,感觉如果质量差的样本占比较大,网络学习到的特征是错误的,那些质量好的图像可能得不到充分的学习。
训练参数设置
初始训练参数如下
type:"Adam" momentum: 0.9 momentum2:0.999 delta:1e-8 base_lr: 0.01 weight_decay: 0.0005 batch_size: 256
第一轮训练在75000次迭代(17.5个epoch)时停止,测试记录如下
I0911 10:16:25.019253 21722 solver.cpp:347] Iteration 75000, Testing net (#0) I0911 10:16:28.057858 21727 data_layer.cpp:89] Restarting data prefetching from start. I0911 10:16:28.072748 21722 solver.cpp:414] Test net output #0: cls_Acc = 0.4638 I0911 10:16:28.072789 21722 solver.cpp:414] Test net output #1: cls_loss = 0.096654 (* 1 = 0.096654 loss) I0911 10:16:28.072796 21722 solver.cpp:414] Test net output #2: pts_loss = 0.008529 (* 0.5 = 0.0042645 loss) I0911 10:16:28.072801 21722 solver.cpp:414] Test net output #3: roi_loss = 0.0221648 (* 0.5 = 0.0110824 loss)
注意:分类测试结果是0.4638是因为测试集没有打乱,1-10000为pos样本,10001-20000为neg样本,20001-30000为part样本,30001-40000为landmark样本。因此,实际分类正确率应该是0.9276
降低学习率至0.001,训练135000次迭代(31.5个epoch)时停止,测试记录如下
I0911 13:14:36.482010 23543 solver.cpp:347] Iteration 135000, Testing net (#0) I0911 13:14:39.629933 23660 data_layer.cpp:89] Restarting data prefetching from start. I0911 13:14:39.645612 23543 solver.cpp:414] Test net output #0: cls_Acc = 0.4714 I0911 13:14:39.645649 23543 solver.cpp:414] Test net output #1: cls_loss = 0.0765401 (* 1 = 0.0765401 loss) I0911 13:14:39.645656 23543 solver.cpp:414] Test net output #2: pts_loss = 0.00756469 (* 0.5 = 0.00378234 loss) I0911 13:14:39.645661 23543 solver.cpp:414] Test net output #3: roi_loss = 0.0201988 (* 0.5 = 0.0100994 loss)
实际分类正确率是0.9428。训练260000次迭代后停止,测试记录如下
I0911 16:58:47.514267 28442 solver.cpp:347] Iteration 260000, Testing net (#0) I0911 16:58:50.624385 28448 data_layer.cpp:89] Restarting data prefetching from start. I0911 16:58:50.639556 28442 solver.cpp:414] Test net output #0: cls_Acc = 0.471876 I0911 16:58:50.639595 28442 solver.cpp:414] Test net output #1: cls_loss = 0.0750447 (* 1 = 0.0750447 loss) I0911 16:58:50.639602 28442 solver.cpp:414] Test net output #2: pts_loss = 0.0074394 (* 0.5 = 0.0037197 loss) I0911 16:58:50.639608 28442 solver.cpp:414] Test net output #3: roi_loss = 0.0199694 (* 0.5 = 0.00998469 loss)
实际分类正确率是0.943752。
问题: 训练结果看似还可以,但是召回率很低,在阈值设置为0.3的情况下,召回率也才将将达到90%。阈值要设置到0.05,才能达到97%-98%的召回率,ROC曲线如下图。严格来说这个测试并不严谨,应该用检测器直接在图像中进行检测,但是为了方便,我直接用val集上的性能画出了ROC曲线,其中的FDDB曲线是将的人脸区域截取出来进行测试得到的。
-
2018.09.14
使用上述12net在WiderFace上提取正负样本,提取结果如下:
Thresholed Positive Negative Part 0.05 85210 36745286 632861 0.5 66224 6299420 354350 -
2018.09.17
准备24net的训练样本。由于生成12net检测到的正样本数目有限,训练24net的pos样本包含两部分,一部分是训练12net的正样本,一部分是经过筛选的12net检测到的正样本;neg样本和part样本全部来自12net的难例;landmark与12net共用样本。经过采样后达到样本比例1:3:1:2,样本数目如下表:
Positive Negative Part Landmark Training Set 225172 675516 225172 313456 Validation Set 10000 10000 10000 10000 训练过程与12net类似,学习率从0.01下降到0.0001,最终的训练结果如下
I0917 15:19:00.631140 36330 solver.cpp:347] Iteration 70000, Testing net (#0) I0917 15:19:03.305665 36335 data_layer.cpp:89] Restarting data prefetching from start. I0917 15:19:03.317827 36330 solver.cpp:414] Test net output #0: cls_Acc = 0.481501 I0917 15:19:03.317865 36330 solver.cpp:414] Test net output #1: cls_loss = 0.0479137 (* 1 = 0.0479137 loss) I0917 15:19:03.317874 36330 solver.cpp:414] Test net output #2: pts_loss = 0.00631254 (* 0.5 = 0.00315627 loss) I0917 15:19:03.317879 36330 solver.cpp:414] Test net output #3: roi_loss = 0.0179083 (* 0.5 = 0.00895414 loss)
实际分类正确率是0.963。ROC曲线如下图,同样使用val集上的性能画出曲线。
-
2018.09.18
使用24net在WiderFace上提取正负样本,提取结果如下:
Thresholed Positive Negative Part 0.5, 0.5 86396 83212 225285 利用以上数据生成48net的训练样本,由于24net生成的样本数量有限,结合前两次训练所用的数据,生成训练集:
Positive Negative Part Landmark Training Set 283616 850848 283616 567232 Validation Set 10000 10000 10000 10000 -
2018.09.19
在训练48net的过程中,首先尝试了Adam算法进行优化,后来发现训练十分不稳定。转而使用SGD进行优化,效果好转。训练初始参数如下:
type:"SGD" base_lr: 0.01 momentum: 0.9 weight_decay: 0.0005
48net的训练结果比较一般,性能如下:
I0919 18:02:22.318362 3822 solver.cpp:347] Iteration 165000, Testing net (#0) I0919 18:02:25.877437 3827 data_layer.cpp:89] Restarting data prefetching from start. I0919 18:02:25.894898 3822 solver.cpp:414] Test net output #0: cls_Acc = 0.4662 I0919 18:02:25.894937 3822 solver.cpp:414] Test net output #1: cls_loss = 0.0917524 (* 1 = 0.0917524 loss) I0919 18:02:25.894943 3822 solver.cpp:414] Test net output #2: pts_loss = 0.00566356 (* 1 = 0.00566356 loss) I0919 18:02:25.894948 3822 solver.cpp:414] Test net output #3: roi_loss = 0.0177907 (* 0.5 = 0.00889534 loss)
实际的分类精度为0.9324。整体来看基本实现了文章中参考文献[19]在验证集上的性能,性能对比如下表
CNN 12-net 24-net 48-net [19] 94.4% 95.1% 93.2% MTCNN 94.6% 95.4% 95.4% Ours 94.3% 96.3% 93.2% -
2018.09.20
整个系统连通后进行测试,发现人脸框抖动比较厉害,这应该是训练过程和样本带来的问题。
比较奇怪的问题是在Caffe上进行CPU运算时,速度极慢,尤其12net运行速度慢30倍左右。通过观察参数分布发现,有大量kernel都是全零分布,初步感觉是因为Adam和ignore label相互作用的结果,即ignore label的样本会产生0值loss,这些loss会影响Adam的优化过程,具体原因还需进一步理论推导。目前的解决方案是将含有大量0值kernel的层随机初始化,使用SGD进行训练。至于抖动的问题,需要进一步分析。重训后的模型性能如下表:
12-net 24-net 48-net Accuracy 94.59% 96.52% 93.94% -
2018.09.26
目前来看回归器的训练是完全失败。失败的原因可能有以下几点:
- 对欧拉损失层做了代码修改,用来支持ignore label,可能代码出现问题
- 数据本身存在问题,需要验证数据的正确性
先训练一个不带ignore label的回归器,看loss是否发生变化。
-
2018.09.27
做了一个实验,用20张图像生成一个数据集,经过训练,网络是可以完全过拟合这个数据集的,说明数据和代码是没有问题的,但是加大数据量后,bounding box的回归依旧不好。通过跟大神讨论,发现自己犯了一个很弱智的低级错误,回归问题是不可以做镜像的,回归问题是不可以做镜像的,回归问题是不可以做镜像的,重要的事情说三遍,如果图像做镜像操作,那么标注也需要进行镜像操作。
重训后的模型性能如下表:
12-net 24-net 48-net Accuracy 94.35% 97.45% 94.67% -
2018.10.01
实验还是不够顺利,有些受挫感。目前来看12net和24net的训练是相对顺利的,至少能够去除大量虚检并给出相对准确的回归框。48net的训练比较失败,存在虚检、定位不准以及关键点定位不准的问题。
在训练12net和24net时,因为网络较小,而且这两个网络都不负责输出关键点,所以训练时只训练了分类和框回归问题。训练48net时三个loss都很重要,感觉按照原文的loss weight进行配置会造成回归问题学习不充分的问题,需要提高回归问题的loss weight。
接下来的工作包括:
- 之前的训练为了快速验证思路,并没有严格按照后一阶段数据是前一阶段数据中的难例的原则,接下来需要重新走这个流程。
- 探索48net的训练过程。具体来说有几个点需要尝试,首先,是刚刚提到的难例挖掘;其次,调整各个loss的权重;最后,除了阶段间的难例挖掘,也应注意阶段内的难例挖掘。
- 以24net在landmark数据集上进行检测,将其输出作为48net进行landmark回归的输入。
-
2018.10.13
最近一次训练的记录如下:
12net:
12net的样本由随机采样得来。
Positive Negative Part Training Set 156728 470184 156728 Validation Set 10000 10000 10000 验证集上的性能为:
Test net output #0: cls_Acc = 0.9435 Test net output #1: cls_loss = 0.0747717 (* 1 = 0.0747717 loss) Test net output #2: roi_loss = 0.0168385 (* 0.5 = 0.00841924 loss)
24net
24net的样本全部来自12net的检测结果。
Positive Negative Part Training Set 60149 180447 120298 Validation Set 1500 1500 1500 验证集上的性能为:
Test net output #0: cls_Acc = 0.977588 Test net output #1: cls_loss = 0.0648633 (* 1 = 0.0648633 loss) Test net output #2: roi_loss = 0.0192365 (* 5 = 0.0961826 loss)
48net
48net的正样本和part样本来自于24net在widerface上的检测结果,负样本来自于24net在widerface和celeba上的检测结果,landmark样本来自于24net在celeba上的检测结果。
Positive Negative Part landmark Training Set 242862 728586 242862 485724 Validation Set 5000 5000 5000 5000 在验证集上的性能为:
Test net output #0: cls_Acc = 0.978155 Test net output #1: cls_loss = 0.0694968 (* 1 = 0.0694968 loss) Test net output #2: pts_loss = 0.00119616 (* 5 = 0.00598078 loss) Test net output #3: roi_loss = 0.0111277 (* 1 = 0.0111277 loss)
使用0.5,0.5,0.5作为阈值,在FDDB上测得的discROC曲线如下图