級聯卷積神經網路（人臉檢測）

本文介紹的人臉檢測方法，**於2015cvpr《a convolutional neural network cascade for face detection》。本篇文章的方法可以說是對經典的viola jones方法的深度卷積網路實現，並沒有讓人眼前一亮的地方，但依然有以下幾點可以學習。

下圖是該方法的整個流程示意圖，可以明顯看出是3階級聯（12-net、24-net、48-net）。

級聯的工作原理和好處：

1、最初階段的網路可以比較簡單，判別閾值可以設得寬鬆一點，這樣就可以在保持較高召回率的同時排除掉大量的非人臉視窗；

2、最後階段網路為了保證足夠的效能，因此一般設計的比較複雜，但由於只需要處理前面剩下的視窗，因此可以保證足夠的效率；

3、級聯的思想可以幫助我們去組合利用效能較差的分類器，同時又可以獲得一定的效率保證。

下圖展示了，3階段平均剩下的視窗數量及對應的召回率：

下圖是3階網路的具體網路結構：

由上圖可以看出，前2階的網路都非常簡單，只有第3階才比較複雜。這不是重點，重點是我們要從上圖中學習多尺度特徵組合。

以第2階段的24-net為例，首先把上一階段剩下的視窗resize為24*24大小，然後送入網路，得到全連線層的特徵。同時，將之前12-net的全連線層特徵取出與之拼接在一起。最後對組合後的特徵進行softmax分類。

下圖展示了，使用和不使用多尺度特徵的差異：

由圖可見，採用多尺度特徵可以相同條件下獲得相對較高的召回率，即提公升了網路的分類能力。

該校正網路是為了解決下面的定位不准的問題的：

在上圖中，藍色框是（如12-net）分類網路的輸出，紅色框是經過對應的12-calibration-net校正後的輸出。

對於矩形框的校正，我們只需要3個引數，乙個是水平平移量xn，乙個是垂直平移量yn，還有乙個是寬高縮放比例sn。即我們要將矩形框的控制座標調整為：

直覺上來看，這是要解決乙個回歸問題，需要回歸出3個引數。但是連續的回歸問題是很難解決的，因此文章將此轉化為離散的分類問題。文章首先，將3個引數分別列出一些值：

於是，我們的目標就是建立乙個45類的分類器，畢竟神經網路的強項在於分類。校正網路如下圖所示。

但是，這個分類器的準確性仍然不是很穩定。因此，文章選擇得分比較高的幾類做平均，最後進行校正，即：

對於級聯問題，文章採用了特殊的訓練策略。

1、按照一般的方法組織正負樣本訓練第一階段的12-net和12-calibration-net網路；

2、利用上述的1層網路在aflw資料集上作人臉檢測，在保證99%的召回率的基礎上確定判別閾值t1。

3、將在aflw上判為人臉的非人臉視窗作為負樣本，將所有真實人臉作為正樣本，訓練第二階段的24-net和24-calibration-net網路；

4、重複2和3，完成最後階段的訓練