cnn歸根到底也是乙個神經網路。從神經網路的角度來講，分類也好**也好，單一的網路有時正確率較低，採用級聯方式用多個神經網路綜合結果。
深度學習應用當然也可以用級聯cnn。這裡就有乙個例子。
博主講解了2023年cvpr的一篇利用深度學習做人臉特徵點定位的經典*****：《deep convolutional network cascade for facial point detection》，**的主頁為：
這篇部落格及原著都沒有解釋人臉的定位過程，只是解釋了如何用剪裁好了的面部區域去檢測幾個特徵點。
幾個關鍵點。
1，level1的f1層通過學習標記了五個特徵點座標的樣本來獲得乙個**網
2，en1，nm1跟f1差不多。它們的作用只是多幾次位置**，以便取個平均，提高抗干擾性。這體現了級聯的作用。
3，擷取f1或者en1，nm1都是人為的。
4，粗定位時，輸入的區域比較大，特徵可以有最大程度的體現，所以這一層級網路的深度比較多（4層卷積），用於提取複雜的特徵。但是其實也可以平鋪非常多的濾波器來代替深度，否則深度太大學習起來淺層權重調整可能因太少而不到位。
5，level2是用來對level1這層**位置進行精定位的。還是**。輸入是剪裁的每個特徵點的區域性影象，乙個影象用兩個cnn來獲得平均**位置。
6，level3更新區域，再剪裁一次，再**一次。剪裁的區域可以更小一點，方便計算得更快（因為定位已經更精了）。
7，某些所謂網路架構，是若干個步驟或處理的組合，比如剪裁子影象、三個結果取平均等。這些操作或計算並非nn也不是用nn實現的。整個流程畫成級聯網路去表達看起來就很大。那這樣的話基本上一些影象處理的流程圖都可以叫做網路架構了。
利用人臉特徵提取DeepID 解讀世紀晟人臉識別
deepid採用增大資料集的方法 deepid是一種特徵提取的演算法，這種網路一經訓練好後，可以提取出輸入人臉的深層次特徵 deepid也是多個特徵的融合體，你可以理解為deepid對人臉上的很多關鍵區域都訓練了乙個 cnn 網路，去做分類，得到隱層特徵，把這些特徵拼接在一起，再做某種意義上的降維，...
人臉識別的深度學習
深度學習只不過是機器學習的標準範例，更準確地說 是其演算法之一。在最大程度上，它基於人腦的概念和神經元的相互作用。如果你開始谷歌搜尋深度學習是什麼，你會發現今天這個超級熱門詞遠遠不是新的。為什麼這樣？該術語本身出現在20世紀80年代，但到2012年，沒有足夠的力量來實施這項技術，幾乎沒有人關注它。在...
人臉識別的深度學習
深度學習只不過是機器學習的標準範例，更準確地說 是其演算法之一。在最大程度上，它基於人腦的概念和神經元的相互作用。如果你開始谷歌搜尋深度學習是什麼，你會發現今天這個超級熱門詞遠遠不是新的。為什麼這樣？該術語本身出現在20世紀80年代，但到2012年，沒有足夠的力量來實施這項技術，幾乎沒有人關注它。在...