目录
Paper地址：
https://kpzhang93.github.io/MTCNN_face_detection_alignment/
github链接：
https://github.com/kpzhang93/MTCNN_face_detection_alignment
1. MT CNN-的原理
- 图像金字塔
对图片进行Resize操作，将原始图像缩放成不同的尺度，生成图像金字塔。
然后将不同尺度的图像送入到这三个子网络中进行训练，目的是为了可以检测到不同大小的人脸，从而实现多尺度目标检测。
读源码会发现，使用的是每次使面积为原有的1/2 不断的缩小hw 直到不满足12像素为止
-
P-Net（Proposal Network）
P-Net是一个人脸区域的候选网络，该网络的输入一个12x12x3的图像，通过3层的卷积之后，判断这个12x12的图像中是否存在人脸，并且给出人脸框的回归和人脸关键点。
网络的第一部分输出是用来判断该图像是否存在人脸，输出向量大小1x1x2，也就是两个值。
网络的第二部分给出框的精确位置，一般称为框回归。P-Net输入的12×12的图像块可能并不是完美的人脸框的位置，如有的时候人脸并不正好为方形，有可能12×12的图像偏左或偏右，因此需要输出当前框位置相对完美的人脸框位置的偏移。这个偏移大小为1×1×4，即表示框左上角的横坐标的相对偏移，框左上角的纵坐标的相对偏移、框的宽度的误差、框的高度的误差。
网络的第三部分给出人脸的5个关键点的位置。5个关键点分别对应着左眼的位置、右眼的位置、鼻子的位置、左嘴巴的位置、右嘴巴的位置。每个关键点需要两维来表示，因此输出是向量大小为1×1×10。
注意：P-Net是全卷积网络对于输入图片size要求不限定 -
R-Net（Refine Network）
从网络图可以看到，只是由于该网络结构和P-Net网络结构有差异，多了一个全连接层，所以会取得更好的抑制false-positive(预测有人脸 但实际并不是人脸)的作用。在输入R-Net之前，都需要缩放到24x24x3，网络的输出与P-Net是相同的，R-Net的目的是为了去除大量的非人脸框。 -
O-Net（Output Network）
这个阶段类似于第二阶段，但是在这个阶段在此阶段，我们目的通过更多的监督来识别面部区域。特别是，网络将输出五个面部关键点的位置。
从网络图可以看到，该层比R-Net层有多了一层卷积层，所以处理的结果会更加精细。输入的图像大小48x48x3，输出包括N个边界框的坐标信息，score以及关键点位置。
从P-Net到R-Net，再到最后的O-Net，网络输入的图像越来越大，卷积层的通道数越来越多，网络的深度（层数）也越来越深，因此识别人脸的准确率应该也是越来越高的。
2. 损失函数
对于是否是人脸，直接使用交叉熵损失函数，
对于框回归和关键点定位，使用L2损失。
最后把这三部分的损失各自乘以自身的权重累加起来，形成最后的总损失。
人脸识别损失函数（cross-entry loss）
回归框的损失函数 （Euclidean loss）
关键点的损失函数 （Euclidean loss）
总损失：
最后的总损失前添加了一个权重 α ，即损失函数所对应的权重是不一致的
也就是说在O-net 对于landmark的检测更看重
4. 升华
MT CNN 是用来检测图片中哪里有人脸 以及人脸的5个关键点位置进行输出 （人脸是谁不是不属于MT CNN的任务）
思考下 是否可以用这个 来检测 图片中 哪里有人 人体的key-point也进行标注？
改下项目是否能用于 手掌的检测 从而实现 隔空的操作 有戏里面的角色 等等！！！