DATASETS

人脸数据集，有大约2800多张图片。这里主要讲其用于人脸检测的部分。这个数据集也可以用于做人脸对齐（face alignment）

数据集主要来自于网络上新闻媒体里的图片。经过相似图片剔除后留下大约2800多张。分为10个folder，每个folder300张左右。

EVALUATION

接受输入

人脸检测上的评测接受两种类型的输入。

  • 一种是常用的矩形框，包括faster rcnn等目前绝大多数人脸检测算法输出都是矩形框。共有5个参数，包括矩形的4个参数以及置信度confidence。
  • 另一种是椭圆框。FDDB给出的ground truth就是椭圆框。以6个参数表示，5个参数表示椭圆，长轴，短轴，中心点坐标以及旋转角度。第六个参数置信度confidence。

评价标准

以两条ROC曲线作为FDDB数据集上的评价标准。

  • ContROC （连续）
  • DiscROC （离散）

这两条曲线的横轴都是FP（false positive），也就是误检的意思。在人脸检测中，就是说，算法标出了某个框的位置，但是这个框实际上并不存在人脸。所以，对于一个好的算法，这个值应该低，这个用于限制以免算法标出所有可能的矩形框。

对于DiscROC曲线，将算法检测出来的所有框按的信度从高到低排个序，并去除相同置信度的值。

1
s_1>s_2>...>s_n

1
2
3
4
5
6
7
8
9
10

for k=1:n 
    choose confidence s>s_k 矩形框t_1,t_2,...,t_m，
    y = 0
    x = 0
    for j=1:m
        if t_j is FP x=x+1
        if IoU(t_j,某个gt椭圆） > 0.5
            y = y + 1
    draw (x,y) on DiscROC
1
2
# 连续型的就是将y = y + 1
# 替换成 y = y + IoU(t_j,某个gt椭圆)

几点理解

  • 相同算法，FP越多，检测越精细，y的值越高（好），x也越大（不好），所以曲线越左上角越好。
  • DiscROC总是比ContROC高，因为IoU总是小于等于1，尤其是以矩形框作为输入评测的时候，计算过FDDB的矩形框与其椭圆gt的IoU理论上的UpperBound也只有0.8-0.85的样子。
  • faster rcnn在Disc上表现优异，在Cont上表现较差。实际上这是关系到以什么样的数据集去训练的问题。个人觉得FDDB这个椭圆形的框还是有点问题的，在其他数据集上的矩形框进行训练还是不太合适。因为在离散上是y=y+1，因此在离散上依然表现优异。
  • 要想在ContROC上效果跑好，自己标数据集是可行的一套方法。以及在评测的时候以椭圆框而不是以矩形框作为输入。