From Facial Parts Responses to Face Detection: A Deep Learning Approach

这篇是汤晓欧组最新的一篇人脸检测的论文，在FDDB上论文组中，目前取得第一的好成绩。故拿此文拜读一番，写篇读后感：
首先，作者提出一个Faceness net的概念，这个概念实际上很简单，就是训练人脸五个部位的模型，然后针对这五个部位的模型提出来的特征，通过人脸共有先验，设计出一个计算是否是人脸的得分，其中，模型的超参数$\lambda$用最大后验概率计算。
下面我主要讲一下5个模型的训练以及faceness score的求法，如果理解有不对的地方，望大家指正。

partness model的训练

这里实际上和其它深度学习文章相比，这里的训练并不算太难，里面的公式也都是比较基础的Softmax分类公式，所以这里的复现是比较容易的，不过这里在训练之前，讲了个值得大家注意或学习的地方：Classification 任务对Localization 和 detection任务都有辅助功能。之前，我参加图像检索比赛的时候就发现了在conv5层上，模型总是可以把你要分类的那个区域给凸显出来，也就是说conv5的特征图上，我们可以得到单物体分类的大致位置。之前一直不知道这个有什么用，看了这篇文章，这个CelebA数据集之后，我也想到了我的人脸检测算法要怎么搞，这个以后再说啦~

从上图可以很明显的看出：当你的监督信息更多时，实际上是更多条件对区域进行筛选，当我们只有人脸非人脸信息时，可能其他区域也有符合这个信息的pattern，举个并不恰当的例子