原文地址：https://blog.csdn.net/shuzfan/article/details/52668935
本次介绍一篇速度还不错的人脸检测文章：
《2016 Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks》.
源代码作者刚刚公布，效果相当不错（只有测试代码）：
https://kpzhang93.github.io/MTCNN_face_detection_alignment/index.html?from=timeline&isappinstalled=1
另外一位同学实现的MTCNN基于MXNET的训练代码，工作比较完整，参考价值比较大： https://github.com/Seanlinx/mtcnn
—————— Pipeline——————
上面是该方法的流程图，可以看出也是三阶级联，和我之前的一篇博文CascadeCNN很像。
stage1: 在构建图像金字塔的基础上，利用fully convolutional network来进行检测，同时利用boundingbox regression 和 NMS来进行修正。（注意：这里的全卷积网络与R-CNN里面带反卷积的网络是不一样的，这里只是指只有卷积层，可以接受任意尺寸的输入，靠网络stride来自动完成滑窗）
stage2: 将通过stage1的所有窗口输入作进一步判断，同时也要做boundingbox regression 和 NMS。
stage3: 和stage2相似，只不过增加了更强的约束：5个人脸关键点。
————— Network —————
Stage1: Proposal Net
Stage2: Refine Net
Stage3: Output Net
由上可以看出，其网络结构较CascadeCNN略深但每层参数较少，所以该方法性能较好同时速度和CascadeCNN也相差无几。
补充：
(1) 文中训练使用了Online Hard sample mining策略，即在一个batch中只选择loss占前70%的样本进行BP;
(2) 不同阶段，classifier、boundingbox regression 和 landmarks detection在计算Loss时的权重是不一样的；
(3) 训练数据共4类，比例3:1:1:2，分别是negative，IOU<0.3; positive,IOU>0.65; part face,0.4
—————— Result ——————
在FDDB上的表现：
速度表现，CPU约15FPS
本次介绍一篇速度还不错的人脸检测文章：
《2016 Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks》.
源代码作者刚刚公布，效果相当不错（只有测试代码）：
https://kpzhang93.github.io/MTCNN_face_detection_alignment/index.html?from=timeline&isappinstalled=1
另外一位同学实现的MTCNN基于MXNET的训练代码，工作比较完整，参考价值比较大： https://github.com/Seanlinx/mtcnn
—————— Pipeline——————
上面是该方法的流程图，可以看出也是三阶级联，和我之前的一篇博文CascadeCNN很像。
stage1: 在构建图像金字塔的基础上，利用fully convolutional network来进行检测，同时利用boundingbox regression 和 NMS来进行修正。（注意：这里的全卷积网络与R-CNN里面带反卷积的网络是不一样的，这里只是指只有卷积层，可以接受任意尺寸的输入，靠网络stride来自动完成滑窗）
stage2: 将通过stage1的所有窗口输入作进一步判断，同时也要做boundingbox regression 和 NMS。
stage3: 和stage2相似，只不过增加了更强的约束：5个人脸关键点。
————— Network —————
Stage1: Proposal Net
Stage2: Refine Net
Stage3: Output Net
由上可以看出，其网络结构较CascadeCNN略深但每层参数较少，所以该方法性能较好同时速度和CascadeCNN也相差无几。
补充：
(1) 文中训练使用了Online Hard sample mining策略，即在一个batch中只选择loss占前70%的样本进行BP;
(2) 不同阶段，classifier、boundingbox regression 和 landmarks detection在计算Loss时的权重是不一样的；
(3) 训练数据共4类，比例3:1:1:2，分别是negative，IOU<0.3; positive,IOU>0.65; part face,0.4
—————— Result ——————
在FDDB上的表现：
速度表现，CPU约15FPS