本质：多级联的检测识别器（检测+对齐+识别）
作者提出：1）边界框与人脸关键点存在内在的联系（检测和人脸对齐有内在联系）
2）面部对齐常用方法：1.基于回归算法 2.模板拟合方法
3）对于一个二分类问题，我们每层只需要较少的滤波器
现有方法: 1)像素特异性+随机森林 联合进行对齐和检测
2）多任务CNN提高面部检测准确率，其中融合了浅层的弱面部检测信息
文中技巧：
1.减少滤波器的数量并将5×5滤波器更改为3×3滤波器以减少计算，同时增加深度以获得更好的性能
2.池化操作都是步长为2的卷积，可以进行通道信息的融合
3.关键点定位任务学习有助于增强人脸分类和边界框回归任务
网络设计：
P-NET： 快速生成候选框（12-NET）
R-NET：非人脸抑制（24-NET）
O-NET：进行人脸关键点定位（48-NET）
1.针对二分类问题：作者使用了交叉熵损失函数
2.针对边框回归，使用了欧式距离
3.针对关键点回归，仍使用欧式距离
4. 对损失函数进行加权调整
P-Net和R-Net中使用：
O-Net中：
表示正样本或者负样本
5.难样本学习策略：
我们使用：
1）在P-NET中，进行样本增强（采用随机裁剪的策略形成难样本）
2）利用R-NET输出的正样本，负样本，对O-NET进行训练
3）利用R-NET 和 O-NET中输出的数据图片作为训练样本对O-NET进行训练
祝好~！