《Deep Convolutional Network Cascade for Facial Point Detection》
2013年，通过3级卷积神经网络来估计人脸关键点（5点），属于级联回归方法。
级联的卷积网络结构:
Level1，采用了3个CNN，输入区域分别为整张脸（F1），眼睛和鼻子（EN1），鼻子和嘴（EM1）。F1输入尺寸为39*39，输出5个关键点的坐标；EN1输入尺寸为31*39，输出是3个关键点的坐标；NM1输入尺寸为31*39，输出是3个关键点。Level-1的输出是由三个CNN输出取平均得到，来较少变动。
Level-2，由10个CNN构成，输入尺寸均为15*15，每两个组成一对，一对CNN对一个关键点进行预测，预测结果同样是采取平均。
Level-3与Level-2一样，由10个CNN构成，输入尺寸均为15*15，每两个组成一对。Level-2和Level-3是对Level-1得到的粗定位进行微调，得到精细的关键点定位。
Level-1之所以比Level-2和Level-3的输入要大，是因为作者认为，由于人脸检测器的原因，边界框的相对位置可能会在大范围内变化，再加上面部姿态的变化，最终导致输入图像的多样性，因此在Level-1应该需要有足够大的输入尺寸。Level-1与Level-2和Level-3还有一点不同之处在于，Level-1采用的是局部权值共享（Locally Sharing Weights），作者认为传统的全局权值共享是考虑到，某一特征可能在图像中任何位置出现，所以采用全局权值共享。然而，对于类似人脸这样具有固定空间结构的图像而言，全局权值共享就不奏效了。因为眼睛就是在上面，鼻子就是在中间，嘴巴就是在下面的。作者通过实验证明了局部权值共享给网络带来性能提升。
网络结构：
注：Level1中F1采用S0，EN1和NM1采用S2；Level2和Level3全部采用S2。
多级回归：
我们发现几种有效的方法结合多重卷积网络。第一个是多级回归。脸部bounding box是仅有的先验知识。一个面部点对bounding box的相对位置可能分部在一个很大的范围，这是由于脸部检测器的不稳定性和姿态的多样性。所以第一级的输入区域应该是足够大来覆盖所有可能的预测。但大的输入区域是主要的不准确原因，因为不相关的区域可能退化网络最后的输出。第一级的网络输出为接下来的检测提供了一个强大的先验知识。真实的脸部点伪装分布在第一级预测的一个小领域内。所以第二级的检测可以在一个小范围内完成。但没有上下文信息，局部区域的表现是不可靠的。为了避免发散，我们不能级联太多层，或者过多信任接下来的层。这些网络只能在一个小范围内调整初始预测。
为了更好的提高检测精度和可靠性，我们提出了每一级都有多个网络共同地预测每一个点。这些网络的不同在于输入区域。最后的预测可以用公式表达如下：
对n-级级联，在i级有li个预测。第一级的预测是绝对位置，接下来的级的预测是调整。
训练：
第一级，训练和边界相关的小块，通过小的变换和旋转增强数据。在接下来的级中，我们训练以ground truth 位置随机变换得到的位置为中心的小块，第二级在水平和竖直最大的shift为0.05，第三级为0.02，这个距离是以bounding box的大小为基准。参数通过随机初始化和随机梯度下降法得到。
测试：
DCNN采用级联回归的思想，从粗到精的逐步得到精确的关键点位置，不仅设计了三级级联的卷积神经网络，还引入局部权值共享机制，从而提升网络的定位性能。最终在数据集BioID和LFPW上均获得当时最优结果。速度方面，采用3.3GHz的CPU，每0.12秒检测一张图片的5个关键点。