这是2015年的CVPR，有点早，但是比较经典。
1. Introduction
本文的级联结构是把一系列浅层的网络集成到一起，可以有效的减小CNN的计算量。
本文工作直接从图片中训练分类器，而不是依赖人工选取的特征(15年以前的基本是先提取特征)
特点：
可以在12-net的低分辨率阶段快速剔除背景，在24-net的高分辨率阶段细致进行检测。(这句话看了后面的具体网络结构就知道什么意思了)
2. CNN Cascade
2.1. overview
(1)首先用12x12的检测窗口扫描整张图片，检测窗口投入到12-net中，剔除90%的检测窗口。
然后用12-校正网处理剩下的窗口，调整尺寸和位置
利用NMS剔除高度重合的检测窗口
(2)对于剩下的窗口，由于经过了精修，所以已经不是24x24. 所以裁剪出来，resize到24x24，送到24-net中剔除渣的检测窗口
然后再校正
同样进行NMS
(3)然后再resize到48x48，利用48-net处理
再进行所以图像尺度的NMS
利用48-校正网进行校正，输出bbox
2.2. CNN structure
6个CNN (3个二分类，3个bbox校正)
2.2.1 12-net
对image，用12x12的检测窗口，stride=4进行滑动(注意：不是卷积)。将每个12x12的窗口投入到12-net中进行分类，剔除90%概率得分低的检测窗口。
实际上，因为图片中face的尺度范围是不同的，于是使用图像金字塔，以覆盖不同的尺度。
如image中，最小face的尺寸为F，则image需要变换成image_size * 12 / F. 以满足12x12的kernel能覆盖小目标。
eg：image为800x600，最小face为40x40，此时需将image缩放为240x180，这样face大小就为12x12.
最终这个scale的image产生[(240-12)/4 + 1]*[(180-12)/4 +1]=2394 个检测窗口
**其实这些检测窗口数最后是用一个map表示，每个位置的值表示每个bbox的confidence
2.2.2 12-calibration-net
这里提供45个[s,x,y]向量，用于修正位置和大小
将上面的检测窗口送入网络，输出45个confidence score
对[s,x,y]取平均(前提是confidence>t)，对bbox的x,y,w,h进行修正。
修正公式：
然后，进行NMS
——————–此时检测窗口的大小已经不是12x12———————-
2.2.3 24-net
将上面产生的窗口：resize到24x24，投入到24-net进行分类。
同时：将input resize到12x12，投入到12-net经过FC后，连接到24-net的FC，再进行分类
把渣的检测窗口踢掉。
2.2.4 24-calibration-net
和12-calibration-net差不多
然后，进行NMS
———————此时检测窗口的大小已经不是24x24———————-
2.2.5 48-net
略
进行NMS，此时需要对所有尺度的图像(因为是图像金字塔)进行NMS，后续只要修一次位置和尺寸就可以输出了
2.2.6 48-calibration-net
略
—————————-此时，得到修正后的output—————-
2.3 Training Process
搞一些正负样本来训练分类器就行。