MDSSD 网络同样使用先验框机制进行人脸区域检测，并对候选区域进行分类和框回归，因此，先验框的设计会在很大程度上影响模型检测效果。设计先验框时，首先要考虑的因素是有效感受野。所谓感受野，即网络内部的不同位置的神经元对原图像的感受范围的大小。卷积神经网络中层与层之间均为局部相连，这使得神经元无法对原始图像的所有信息进行感知，因为感受野越大，其所获取的全局信息越多，该特征图所包含的全局的、高级的语义特征就越丰富；感受野越小，该特征图所包含的特征越低级，即其所包含的信息更多的是局部和纹理等细节。但卷积神经网络中神经元的有效感受野实际上远小于理论感受野，且服从高斯分布，这使得有效感受野难以计算。同时，先验框需要与 Ground Truth 框进行匹配以划分正负样本，因为先验框大小、比例与真实Ground Truth 框的差距越大，计算交并比的误差就越大，而增加无效先验框只会带来负样本数的增加，进一步加重样本不平衡的情况。
MDSSD 算法使用K-Means 对Ground Truth 框进行聚类分析，以寻找最佳的先验框数量、大小和比例。若使用标准的欧氏距离作为度量距离，会使较大的先验框主导损失函数，从而影响聚类效果，因此，本章使用自定义IOU 距离作为度量距离来进行聚类分析。IOU 距离用公式（6-1）计算：
聚类的损失是Ground Truth 与簇中心的IOU 距离，该距离越小，IOU值越大。具体来说，首先指定簇数 k，并随机初始化簇中心(Wi, Hi)，i∈{1,2,… , k}，其中 Wi,Hi分别表示簇中心的长和宽；然后将簇中心与Ground Truth 中心置于坐标原点，并计算每个Ground Truth 与簇的IOU距离，同时将该 Ground Truth 分配给 IOU 距离最小的簇；当所有的Ground Truth 框分配完毕后，重新计算簇中心，并不断更新直至簇中心不再改变，此时将簇中心的中位数作为最终的先验框大小和比例。由于MDSSD 使用多个检测层，且在每个检测层单独设置先验框大小和比例，因此，该模型通过肘方法确定最佳的簇数，即当k =17 时，损失函数下降缓慢且趋于平稳。综合考虑各个检测层设置，确定最佳聚类簇数为17，其Elbow 如图6-4 所示，聚类的可视化输出如图6-5，多数簇的轮廓系数接近于0.5，聚类较合理。
图6-4 聚类Elbow 图(www.xing528.com)
图6-5 聚类结果可视化图
通过对标注图像聚类可以发现，所有的簇中心都有四种不同比例，分别为{0.55,0.65,0.75,1}。当输入为 300×300 的人脸图像时，人脸姿势和模型数据增强会导致不同尺度的人脸对应不同比例的 Ground Truth 框，小尺度人脸比例接近于{0.65,0.75,1}，而大尺度人脸比例接近{0.55,0.65,1}。通过计算每个簇中心Ground Truth 的尺度可以确定每个检测层的数量，同时根据每个检测层的感受野大小将17 个先验框分配至7 个不同的检测层，具体检测层设置如表6-1 所示。
表6-1 MDSSD 检测层参数配置
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
