其实前面几个月看过人脸检测测论文，就是我写MTCNN那阵，看过了10篇？其实主要还是看的别人的专栏和总结，自己没怎么深入看。因为感觉和目标检测用的方法很像。还没决定做哪个方向之前，还是在增强基本功比较好。
人脸检测和通用目标检测的区别
1. 要求速度快，能做到实时。毕竟用在安防这种地方，讲究的就是实时监测
2. 要求效率高，因为人脸比较小，所以需要对小物体准确率比较高。
所以需要在通用目标检测框架基础上做一些见得修改。参照别人的专栏，自己写一下吧。
https://zhuanlan.zhihu.com/p/32702868
https://zhuanlan.zhihu.com/p/38512246
https://zhuanlan.zhihu.com/p/36621308
1.级联系列
https://zhuanlan.zhihu.com/p/38340206
主要参考这个人的文章，写的很详细。
Cascade CNN
这篇为级联网络结构和CNN结合的第一论文？之后MTCNN就是在他的基础上做得修改。结构如下，3个特征提取网络，分析是否属于人脸，3个回归框调整网络，对回归框位置进行调整：
先是3个特征提取网络，12net,24net和48net,代表属于输入的图片格式大小。即使用12*12的滑动窗口进行滑动，提取图片输入网络中。12net的作用是先大量粗晒不符合的图片，为下一步准备分类减少负担。注意24net和48net都有一个分支，这个分支也会提取特征，然后与24net或48net的全连接层组合，一起判断是否属于人脸。
回归框调整网络，完全是利用先验知识做得调整。注意最后labels是48个评分，即对48种调整分别做了评分。如下：
如何进行的45种调整呢？5*3*3如下：
Sn：(0.83,0.91,1.0,1.10,1.21)
Xn：(-0.17,0,0.17)
Yn：(-0.17,0,0.17)
MTCNN
MTCNN是在原来Cascade CNN上做得一种调整。
第一步是先形成图像金字塔，取不同大小的图像，之后在整幅图上做全卷积，注意第一次P-net无全连接网络，因为输入的图片大小不一样。之后筛选之后将第一次的预测图像resize成24*24，然后输入到R-net中，然后进行预测。第三次resize成48*48，然后输入到O-net中，再进行预测。流程如下图：
精细的网络结构如下图。可以看到和Cascade还是很像的，都是级联网络，加入了关键点检测，同时第一层12*12网络也去掉了全连接层：
Facecraft
级联网络的进一步优化，做到了end2end训练，但是貌似效果不如MTCNN不过端到端训练应该是个趋势，毕竟速度快。.整体框架如图，很明白的图，就是分三支路，之后分别预测同时和下一支路特征进行融合。还提到了和Fastrcnn进行联合训练？没仔细看是如何提出的。。。
loss部分
Finding tiny face
这个不是级联网络，更像目标检测中One-Stage方法做得一种优化，明显针对小目标的。如图，有几种训练方式，可以直接看翻译。
1. 模板固定，即人脸大小固定，输入不同resize后的图像。
2. 图像固定，输入不同大小的人脸
3.前两种的结合，改变人脸和图像
因为同一副图像中多个不同人脸，大小也不一样，resize的意义在于检测多尺度信息，尤其是小目标。这个模板是如何取得？不是特别清楚。模板就很像目标检测的anchor结构了。估计也是通过聚类来得到的一种先验统计
4，5. 在3的基础上增加一些上下文信息，有助于分类识别。文中叫context.
下图为网络架构不同大小，不同大小图片和不同size的人脸模板
还对比了一组加入上下文信息后的结果，融入不同层feature map有助于小人脸的识别：
Face-RCNN
对Faster-RCNN做得一个优化，加入center loss，多尺度训练，还有对正负样本的限制。。没仔细看，因为一看到和Frcnn像就没看下去了。。
central loss更多用于人脸识别。就是不同人脸通过网络形成向量，对比不同向量间差异能更好识别人脸。
SSH
基于SSD的，对传统的人脸检测改进就是不再resize输入图片，而是由不同的卷积，造成不同的感受野，以此区分大，中，小脸。还要产生K个anchor结构
其中MA,M2,M3模块就是不同的感受野模块，通过不同大小的卷积形成的。
