motivation
以前的人脸分割方法都旨在产生复杂的框架，或者复杂的人脸增强器来同化模糊，或者用对抗训练。我们采用了一种可选择的路径来进行强壮的人脸分割和解析
contribution
（1）通过3维投影使用强先验计算得到完整的人脸形状，与事先存在的人脸分割网络之间的差异来进行分解遮挡
（2）利用前面分解的对象的连接组件，将他们作为约束来构造一个新的损失函数，该函数仍然执行一个密集的分类，但通过共识学习在网络中加强结构
（3）最后展示我们的方法对于人脸解析问题是一个通用的工具
f是全脸轮廓的掩膜，fooc是人脸分割的掩膜。p是残差。p最后是由先腐蚀操作再膨胀操作的开运算（其作用是：分离物体，消除小区域。本文中则把红色部分的blob给消除掉了）得到的。
（2）式课看做分段函数，C(s)相当于y上的自变量。当C(s)取值不同时，y(s)代表的含义不同
s=1表示face上的像素的位置，p(s)表示face上的softmax概率，y(s)表示face上的真实值。H为交叉熵。则（3）式是指交叉熵损失函数即：所有像素的图像的预期损失
（a）符号说明
（b）常规训练以像素为方向，独立进行，并密集地强制每个像素适合标签(没有对象平滑度的概念)
（c）这导致了在测试时对看不见的物体的稀疏预测
（d）图像的像素级标签
（e）我们在一个blob E[p]中强制对标签进行预期预测，但保证每个像素与平均值没有偏差;
（f）该网络是更好的正则化分割与较少的稀疏预测
We defifine the expected prob-ability E[p] on a blob c as:
p^c表示在斑点c处所有像素的平均条件概率
p(s)表示整个图像上所有像素的预测概率
DKL表示相对熵（KL散度）：
如果对于同一个随机变量X有两个单独的概率分布P(x)和Q(x)，则我们可以使用KL散度来衡量这两个概率分布之间的差异。
where α, β are two constant parameters controlling the trade-off between matching the labels and ensuring consensus and DKL denotes the Kullback-Leibler divergence.
Following the notation of Section 3.1, and putting this all together, indicating all the the blobs (background B, face F, occlusions O) as C, our method fifinally optimizes:
