MTCNN 论文笔记

原论文地址：《Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks》
代码：

1. MatLab
2. C++&Caffe
3. Python&Caffe

参考资料：MTCNN（Multi-task convolutional neural networks）人脸对齐（这篇文章有结构图，很清晰）

文中引用的这篇论文也用了CNN的层级结构：《H. Li, Z. Lin, X. Shen, J. Brandt, and G. Hua, “A convolutional neural network cascade for face detection,” in IEEE Conference on Computer Vision and Pattern Recognition, 2015, pp. 5325-5334.》，地址在：http://openaccess.thecvf.com/content_cvpr_2015/papers/Li_A_Convolutional_Neural_2015_CVPR_paper.pdf

这个模型利用多任务层级卷积网络(Multi-task Cascaded Convolutional Networks)将人脸检测与人脸对齐结合在一起。

基本框架

1. 先用一个轻量级的CNN生成候选窗口。这一步的候选窗口会被边界框回归向量进行校准，也会用NMS算法合并IoU值较高的候选区域；
2. 再用一个相对复杂的网络对上一步的到的候选框进行提炼（或者说是过滤），并进一步用NMS算法进行合并；
3. 最后用一个更复杂且更高效的网络对候选框进行进一步提炼，并输出人脸关键点（Facial Landmarks Position）。这一步相对于前两步加入了更多的监督信息。

这几步中的CNN依次被称为P-Net(Proposal Network)、R-Net(Refinement Network)、O-Net(Output Network)。
下面是上面几个步骤的示例图，取自原论文。

下面是论文中给出的MTCNN架构图。其中，MP是Max Pooling，Conv是卷积，Conv与Pooling的stride分别是1和2。

训练

1. 人脸分类

$$L_I^{det}=-(y_i^{det}log(p_i)+(1-y_i^{det})log(1-p_i))$$
其中，$p_i$为$x_i$是人脸的概率， y i d e t ∈ { 0 , 1 } y_i^{det}\in \{0,1\} yidet​∈{0,1}表示$x_i$是否是人脸。

2. 边界框回归

$$L_i^{box}=||{\widehat{y\text{y}y}}_i^{box}-{y\text{y}y}_i^{box}|{|}_2^2$$
其中，${\widehat{y\text{y}y}}_i^{box}$为通过网络预测得到，${y\text{y}y}_i^{box}$为实际的真实的背景坐标，且${y\text{y}y}_i^{box}$为$(x,y,h,w)$组成的四元组。

3. 人脸 Landmarks 坐标回归

$$L_i^{landmark}=||{\widehat{y\text{y}y}}_i^{landmark}-{y\text{y}y}_i^{landmark}|{|}_2^2$$
其中，${\widehat{y\text{y}y}}_i^{landmark}$与${y\text{y}y}_i^{landmark}$分别都有五个点：左眼、右眼、鼻子、左嘴角、右嘴角。每个向量共有10个值。

4. 多源训练

m i n ∑ i = 1 N ∑ j ∈ { d e t , b o x , l a n d m a r k } α j β i j L i j min\sum_{i=1}^N\sum_{j\in\{det,box,landmark\}}\alpha_j\beta_i^jL_i^j mini=1∑N​j∈{det,box,landmark}∑​αj​βij​Lij​
其中，$N$为训练样本数量，${\alpha }_j$表示任务的重要性，${\beta }_i^j$为样本标签，$L_i^j$为上面的损失函数。
关于$\alpha$值，论文是这么给出的：
P-Net与R-Net：${\alpha }_{det}=1,{\alpha }_{box}=0.5,{\alpha }_{landmark}=0.5$
O-Net：${\alpha }_{det}=1,{\alpha }_{box}=0.5,{\alpha }_{landmark}=1$

5. Online Hard sample mining

对每个Batch前项传播得到的loss进行排序，取前70%，只利用这70%的数据进行反向传播更新梯度。这样能让方向传播的梯度更新更有效。