2017年的CVPR
1. Introduction
pipeline：
首先是全局阶段(整张脸)
(1)对人脸进行re-initialize，把它变成一个规范的形状。如(a)处理后，人脸变正了。
(2)进行一个粗精度的回归
然后是局部阶段
(3)对人脸的不同部分进一步进行re-initialize，变成规范的状态
(4)分别对每一部分再次进行回归
实验中，在300-W和AFLW人脸关键点检测数据集上表现都很666.
2. Our Two-stage Re-initialization Deep Regression Model
2.1 Global stage
对原始image，使用face detector检测出一个粗略的bbox。
与以前的算法不同(以前都是直接在这个bbox内做回归)，本文首先对人脸框进行旋转缩放平移等操作。
然后再进行回归。
2.1.1 Global Re-initialization Subnetwork
利用一个CNN结构来预测变换参数(网络也是经过不断迭代训练得出的)，
然后对人脸框进行变换，旋转平移拉伸等。
效果如图：
2.1.2 Global Regression Subnetwork
5个卷积层+3个FC
使用欧氏距离计算损失
2.2 Local stage
将face分为4部分：左眼、右眼、鼻子、嘴巴
2.2.1 Local Re-initialization Subnetwork
网络只有一个FC层
input：every single part
output：transformation parameters
然后对每个部分进行变换
如图：
2.2.2 Local Regression Subnetwork
进行位置的精修
2.3 Implementation Details
激活函数：PReLU