关于MTCNN，看别人的解释，总说很简单，但我还是没有get到它的点。
现在我自己梳理一下对它的理解。
1. 算法的思路
首先，谈一下我对CNN卷积网络的理解，像下面的MTCNN级联网络中的PNet, 我可以理解它是一个区域特征提取器。
单个的CNN是卷积，通过滑动扫描图片（或者特征图）中的某个区域内的特征，会得到一个融合局部特征的特征图；
多个这样的CNN卷积，就延伸出一个感受野的概念，就是一层层地提取，特征图越来越小，可以理解为最后的特征图浓缩了最开始输入图片（或者特征图）的整体信息；
这个整体信息可以是一个向量用于分类，也可以是一个回归任务的结果；
至于为什么就能得到这样的结果，其实卷积像水流一样，又像是一个DJ的操作面板一样，非常多的可调节的开关，这些开关就是卷积的参数；
为什么可以调成我们想要的样子呢？靠我们耳朵来判断，不断地接受于我们感觉喜欢的调调，神经网络的调整方法就是靠损失函数；
我要是不停地逼近Groud Truth，那你就得像水或者像DJ面板一样，不停地像这里靠，至于输出结果的具体含意，计算机是不懂的，它就知道去调罢了；
那么针对于MTCNN网络中的第一级PNet，就把它当成一个手电筒，一个小工具包，就是拿去照输出图片，我照一照，你给我一个结果，判断一下我照12x12的区域得到的人脸回归及检测分类的值；
那问题来了，照一照，毕竟只能照到12x12的区域，那一张图可能很大，人脸也很大，就有可能总是提取不到一张脸的全部区域信息，又怎么能得到我们想要的结果呢？这不是盲人摸象吗？
有个办法可以解决这个问题，那就把大像缩小不可以吗？这就是我对为什么MTCNN的输入要做图像金字塔的理解，就是绽放图像，我变，变，变，继续变到不要小于12就行，因为再小就没有意义了；
然后这还没完，因为我们这个手电筒还是有点简单，提取出来的结果就不太靠谱，但是它要尽可能去做好它自己流水线上的事情，就是粗提取；
经过PNet后会得到非常多的预测框，如果输入刚好是12x12的图片，那输出就是一个框，如果输入是大于12x12的，那输出就有mxn个框（m,n 就是最后输出的特征图大小，一个像素点就是一个框，对应的通道就是相应的face classification, bouding box regression, facial landmark localization)；
问题来了，得到的这些结果，尤其是bouding box regression, facial landmark的位置，它是相对于输入的尺寸的，还是相对于原图的？
我理解应该是相对于输入图像的，这些个框框点点要映射到原图上，还得转换一下尺寸。
得到了这些乱七八糟的结果之后，数量庞大，想想应该是要做一下筛选的；
问题来了，怎么筛？
两个框太近应该要筛掉个，离真实框太远的也筛掉；
这么说，就是做个NMS的吧，首先找到与真实框IOU大的，拿出来，然后找与拿出来的框IOU大于阈值的，比如0.8（瞎说的），筛掉，然后再找下一个与真实框IOU大于阈值的拿出来，再重复上面的过程；
最后得到了一些个框（附带对应的landmark)，它位与真实框IOU是大的，然后和这个框相近的也没了；
然后得到的框，也就是相对于原图的局部位置，再传到RNet中，进行精调，这个逻辑感觉上和PNet有一些不一样，因为PNet是从无到有，RNet是有了之后再精调，后面的ONet也是一样；
哎，不懂的太多，感觉有点玄幻；