【论文】人脸特征点检测：TCDCN

#Learning and Transferring Multi-task Deep Representation for Face Alignment

#摘要

通过多任务学习提升检测鲁棒性。特别的，使用与人脸相关的属性共同学习人脸的特征点位置。
tasks-constrained deep model：解决不同的任务有不同特点这个问题
task-wise early stopping criterion ：解决不同的收敛速度问题，来使得任务能够被收敛。

#介绍
面部特征点检测（Facial landmark detection）
当一个小孩在笑的时候，他的嘴巴一定是张开的，能够有效利用这种内在属性，能够使得我们更
好的检测嘴角位置。当做出头部偏转的时候，两眼之间的距离将会变小。若不考虑上述这种信息的影响而单独的做Facial landmark detection，那将不会得到很好的效果。本文的主要目的是优化Facial landmark detection通过一些相关辅助任务，包括：头部姿势估计，性别，年龄，面部表情，面部属性推理.然而这些属性之间学习的难易程度是不同的，不如判断佩戴眼镜属性要比是否在笑要容易的多。所以当某个任务要比其他人物更早的overfitting，导致整个网络失效。
tasks-constrained deep model：解决不同的任务有不同特点这个问题
task-wise early stopping criterion ：解决不同的收敛速度问题，来使得任务能够被收敛。

###贡献
我们第一次利用相关信息指导Facial landmark detection，我们进一步表明，所提议的模型隐式地
捕获了任务相关性。我们能够通过TCDCN方法得到的5-point检测简单的转换到更多的点比如68个。

#相关工作
主要分为回归和模板匹配，回归一般是基于initial然后迭代，所以这个initialization是重要的。而我们的方法不需要initial，将raw pixels作为输入。我们的工作比cascadedCNN要优秀，我们不用对输入做pre_partition，也不用casc