原文地址：https://blog.csdn.net/shuzfan/article/details/52668935
本次介紹一篇速度還不錯的人臉檢測文章：
《2016 Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks》.
源代碼作者剛剛公佈，效果相當不錯（只有測試代碼）：
https://kpzhang93.github.io/MTCNN_face_detection_alignment/index.html?from=timeline&isappinstalled=1
另外一位同學實現的MTCNN基於MXNET的訓練代碼，工作比較完整，參考價值比較大： https://github.com/Seanlinx/mtcnn
—————— Pipeline——————
上面是該方法的流程圖，可以看出也是三階級聯，和我之前的一篇博文CascadeCNN很像。
stage1: 在構建圖像金字塔的基礎上，利用fully convolutional network來進行檢測，同時利用boundingbox regression 和 NMS來進行修正。（注意：這裏的全卷積網絡與R-CNN裏面帶反捲積的網絡是不一樣的，這裏只是指只有卷積層，可以接受任意尺寸的輸入，靠網絡stride來自動完成滑窗）
stage2: 將通過stage1的所有窗口輸入作進一步判斷，同時也要做boundingbox regression 和 NMS。
stage3: 和stage2相似，只不過增加了更強的約束：5個人臉關鍵點。
————— Network —————
Stage1: Proposal Net
Stage2: Refine Net
Stage3: Output Net
由上可以看出，其網絡結構較CascadeCNN略深但每層參數較少，所以該方法性能較好同時速度和CascadeCNN也相差無幾。
補充：
(1) 文中訓練使用了Online Hard sample mining策略，即在一個batch中只選擇loss佔前70%的樣本進行BP;
(2) 不同階段，classifier、boundingbox regression 和 landmarks detection在計算Loss時的權重是不一樣的；
(3) 訓練數據共4類，比例3:1:1:2，分別是negative，IOU<0.3; positive,IOU>0.65; part face,0.4
—————— Result ——————
在FDDB上的表現：
速度表現，CPU約15FPS
