论文Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks

原文地址： Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks
引言：
（部分翻译）人脸对齐可以被粗糙的分为两类方法，基于回归和模板适应方法。然而很多研究忽略了人脸检测与对齐之间的内在联系，尽管有工作尝试结合它们，但也存在很多限制。
在这里我们提出一种新的框架来整合这两个人物，使用统一的层级CNNs和多任务学习。提出的CNNs网络包括三个部分，第一个使用浅层CNN产生候选窗口，然后通过一个更复杂的CNN来拒绝大量没有脸的窗口来改进，最后用一个更强力的CNN来优化结果并输出5个脸部特征位置

Approach方法：
整体框架：
Stage 1：我们搭建了一个全卷积网络，称其为Proposal Network（P-Net），来获取候选脸部窗口和边界框回归向量。然后候选框将会基于估算的边界框向量来校正，然后我们使用非极大值抑制（NMS）来合并搞重复读的候选框
Stage 2：所有候选框被送到另一个CNN，成为Refine Network（R-Net），其会拒绝大量错误的候选项，并用边界框回归来校正，使用NMS
Stage 3：这个部分和Stage 2相似，但是在此我们旨在用更多的监督（标签）来标识脸部区域，特别的，网络会输出5个脸部特征地址（两眼，鼻，两个嘴角）

CNN架构：
使用5x5 代替3x3
使用PReLU作为非线性激活函数

训练：
使用了三个任务来训练CNN，脸/非脸分类，边界框回归，脸部标识定位
预处理：
裁剪大小为12*12，24*24，48*48大小的图片（包括pos，neg，part的图片）
PNet：（网络结构在上图）
输入：图片（大小12*12），标准化的Bbox坐标，标准化的landmark坐标 （标准化 即为相对的坐标或者偏移值）
输出：face classification，标准化的Bbox坐标，标准化的landmark坐标
RNet，ONet：
输入：图片，Bbox，landmark坐标，只有图片大小不同（24*24 和 48*48）
输出：PNet相同