概述
MTCNN是一个基于级联卷积神经网络的人脸检测和人脸对齐算法。其英文题目《Joint Face Detection and Alignment using
Multi-task Cascaded Convolutional Networks》。
本文原始的创意来自《A Convolutional Neural Network Cascade for Face Detection》，有人称它为 Cascade CNN。作者的修改体现在以下三点：
-
MTCNN的级联思想和主要网络结构都源自Cascade CNN，但是作者增加了网络深度、减少每层的滤波器数量、把5x5改为3x3卷积，在减少计算量的同时增加了网络的表征提取能力。
-
除了上述网络结构修改，作者同时加入了人脸关键点的预测。作者认为通过多任务联合训练，对人脸检测是有好处的（我认为这相当于加入了更多的先验知识，告诉网络人有这几个部位）。作者在论文里也通过实验证实了自己的猜想。
-
online hard sample mining。怎么翻译呢，难道是"在线高难度样本挖掘"？意思就是每个batch只利用分类loss前70%的样本进行梯度回传。因为那些容易的样本对训练的贡献本来就不大，就忽略掉了。这可以加速网络收敛，提高最终性能。作者在论文里也有对比测试证明自己。
网络结构
MTCNN由3个网络级联而成，每个图片依次经过三个网络，最终输出结果。前面网络输出的结果作为后面网络的输入。
stage1: P-Net
全称Proposal Network，只有四层卷积，运行很快，用于快速生成大量候选区域（candidates）。NMS过滤输出结果。
P-Net是一个全卷积网络，所以可以用在任意图片大小（大于12x12就行）上，这也是后面推理的时候需要用到的特点。
stage2: R-Net
全称Refine Network，用于对上一步生成的候选区域进行调整，同时拒绝大量假阳性候选区域。对这些候选根据IOU值进行非极大值抑制（NMS）筛选掉一大部分候选。注意这个网络是有全连接的，不是一个全卷积网络，只能输入24x24的图片。
stage3：O-Net
全称Output Network，作用和stage2类似，最终输出人脸框的回归值和关键点的位置。NMS筛选最后输出的结果。
上图可以看到，3个阶段输出内容类似，都包括的三部分：人脸二分类概率、bbox偏移回归值和人脸关键点定位值。其中前两个阶段的关键点定位置在推理的时候并不需要，仅仅是为了训练时提高检测的性能。最后一个阶段的关键点定位值在推理时是需要的。
推理过程
上面这张图大家应该非常熟悉，几乎成了介绍MTCNN文章的一种标配。下面分解介绍。
准备：生成图片金字塔
将输入的原始图片，按照指定的resize_factor(基本在0.70-0.80之间会比较合适，设的比较大，容易延长推理时间，小了容易漏掉一些中小型人脸）。这样子你会得到原图、原图xresize_factor、原图xresize_factor^2 以及原图xresize_factor^n（注，最后一个的图片大小会大等于12）这些不同大小的图片。这些图片要一张张输入到P-Net网络中。
P-Net
首先，P-Net是全卷积网络，所以推理的时候可能输入任意大小的图片。其次，P-Net只有一个最大池化，其它三次卷积都是padding为0的，输出特征图每个元素的感知野是12x12。P-Net的输出特征长宽大约是输入图片的一半。
P-Net最后输出的特征图是16通道的，每个1x1x16，其中两个用于人脸二分类，4个用于bbox偏移回归，10个用于人脸关键点的定位。
P-Net输出的bbox回归，是相对于感知野范围的偏移量（相对感知野尺寸做了归一化）。所以MTCNN很神奇的利用感知野实现了anchor框的效果。
利用偏移量和感知野位置计算片出的位置就是P-Net预测的人脸位置，IOU-NMS之后，用最大边长去原图上截取相应的正方形（避免形变和保留更多细节），resize到24x24，作为下一阶段的输入。
R-Net
根据上一阶段预测的大量人脸的位置，去原图上截取，resize到24x24，作为本阶段的输入。上一阶段的输入是图片金字塔里的整张图片，这里的输入只能是24x24的截图。
这个阶段输出的bbox偏移量是相对于输入的截图来说的，根据截图在原图的坐标和预测的偏移量，可以计算得到本阶段预测的人脸bbox在原图的位置和大小。
R-Net针对每个小图片最后输出的是1x1x16的特征，其含义和之前一样。再次重复P-net所述的IOU NMS干掉大部分的候选，根据bbox的坐标再去原图截出图片输入到Onet。
O-Net
整体流程P-Net类似。输出结果经过分类筛选、框调整后的NMS筛选，最终得到人脸bbox及关键点位置。
训练
数据
这里摘抄《人脸检测–MTCNN从头到尾的详解》里的一段文字。
每个网络的输入我们会有4种训练数据输入：
- Positive face数据：图片左上右下坐标和label的IOU>0.65的图片
- part face数据：图片左上右下坐标和label的0.65>IOU>0.4的图片
- negative face 数据：图片左上右下坐标和lable的IOU<0.3的图片
- landmark face数据：图片带有landmark label的图片
使用方法：
- 网络做人脸分类的时候，使用postives 和negatives的图片来做，为什么只用这两种？因为这两种数据分得开，中间隔着个part face+0.1 IOU的距离，容易使模型收敛；
- 网络做人脸bbox的偏移量回归的时候，使用positives 和parts的数据，为什么不用neg数据？论文里面没提，个人认为是因为neg的数据几乎没有人脸，用这个数据来训练人脸框offset的回归挺不靠谱的，相反pos和part的数据里面人脸部分比较大，用来做回归，网络还能够看到鼻子、眼睛、耳朵啥的来进行乖乖的回归；
- 网络做人脸landmark 回归的时候，就只使用landmark face数据了。
（如何做到不同的数据用于不同的训练呢，下面会讲到loss计算公式中有一个系数开关）
Pnet使用的是12*12大小的图片，这个图片怎么得到的呢？嗯，很简单，去WIDER和CelebA随机截取，这个时候大家会问，随机截取怎么截取？就是字面上的意思，不过有点点技巧。首先，如果真的随机截取的话，如果图片里面人头只有一个，很多都会截取到非pos甚至非part的图片，所以为了得到足够多的pos、part数据，真正的随机截取是基于图片实际label进行上下左右微调来截取，进而保障pos、part数据的足够。
Pnet在前述数据的情况下进行训练并完成训练，我们将所有的WIDER数据和CelebA数据输入到Pnet，会得到很多的候选，去原图截图，计算截图和label的IOU，按照上述四种数据的分类标准分别区分开，同时label标注方法和上述标注方法一致。我们经过Pnet就可以得到Rnet所需的24*24大小的训练数据了。
最后训练O-Net,其输入来自R-Net输出。可以看到三个子网络依次分三个阶段训练完毕。
损失函数
人脸分类
使用交叉熵：
边界框回归
通过欧氏距离计算回归损失。带尖的y为通过网络预测得到，不带尖的y为实际的真实的背景坐标。y为一个（左上角x，左上角y，长，宽）组成的四元组。
关键点定位
同样也是欧式距离。
LOSS开关
- alpha是表示不同网络结构det、box、landmark的损失函数的权重不一，由于Onet要输出landmark，所以Onet的landmark损失权重会比前面两个网络要大。
- Beta的用于控制不同类型的数据是否参与LOSS计算，请参考上一小节‘数据’
- Hard Sample mining：只对分类损失进行hard sample mining，具体意思是在一个batch里面的图片数据，只取分类损失（det loss）的前70%的训练数据（这个比例是提前设好的）backprop回去。其余两类损失不做这样的hard sample mining
训练和推理的异同
训练的时候，P-Net输入的是12x12的随机裁剪图片，推理的时候输入的是图片金字塔的整张图片（每个图片被resize成不同的大小输入多次）。
而后面两个阶段输入是一致的。
测试效果
在当时是SOTA级的效果。
论文
论文地址：Joint Face Detection and Alignment using
Multi-task Cascaded Convolutional Networks
作者网站：https://kpzhang93.github.io/MTCNN_face_detection_alignment/index.html
官方matlab源码：https://github.com/kpzhang93/MTCNN_face_detection_alignment
代码
MTCNN部署全平台实现，包括C++、python、ncnn和tensorflow，还有加速版本和opencv直接加载版本，是所有版本中的集大成者：https://github.com/imistyrain/MTCNN
快速版本实现：https://github.com/szad670401/Fast-MTCNN
github: AITTSMD/MTCNN-Tensorflow
github: davidsandberg/facenet
MTCNN训练代码合集：https://blog.csdn.net/minstyrain/article/details/82292074
261
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
