论文《From Facial Parts Responses to Face Detection: A Deep Learning Approach》笔记

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

实现：暂无

这篇论文发表于ICCV2015，很有借鉴意义，论文提出了一个新的概念deep convolutional network (DCN) ，在FDDB数据集上达到了目前世界领先水准，这篇论文可以与之前《Joint Cascade Face Detection and Alignment》结合来看，其实是同一种思想在不同方向上的应用。

论文提出的DCN主要有三点新优势：

1、对遮挡有较强的鲁棒性。

2、可以检测到多角度倾斜人脸。

3、可以从一整张图片中检测出大小不一的人脸。

主要得益于一点，利用人脸上关键点的位置信息判断是否人脸（是不是和之前的JDA有些像啊），总结一下就是先用5个CNN检测全图，5个CNN分别是用于检测头发、眼睛、鼻子、嘴巴、脖子，之后合并五个的结果，利用这些位置信息判决人脸。

Faceness-Net ：

Faceless-Net工作流包括三个阶段，生成人脸局部信息特征图，根据打分排序候选框，完善候选框。整个流程如图a所示。

在第一阶段，人脸被作为输入放进5个CNN网络，5个输出包含各个器官的位置信息，被整合为一个h^f送入下一阶段。

在第二阶段，匹配这些器官位置，对其打分排序。

在第三阶段，一次检测，无需滑窗。

下面分别详述每个阶段：

Partness Maps Extraction ：

网络结构如下图所示：

研究指出叠加多个卷积层可以获得目标位置。

下图展示了各个网络区分粒度的效果：

从图上结果显示，当粒度从物体－非物体，人脸－非人脸，亚洲人脸－欧洲人脸等，升至直发－卷发、微笑－厚嘴唇等这样的器官粒度时，对遮挡人脸的鲁棒性最强，5个网络的分类可以如下表一样，为了获得更好的区分效果，每个网络模型都是从ImageNet训练好的模型微调而来。

Ranking Windows by Faceness Measure ：

本节讲述如何根据各个器官的位置信息对其打分。这部分有点难，先略过。

Face Detection ：

经过上面的步骤处理，生成的候选框已经有较高的召回率，通过训练一个人脸分类和边界回归的CNN可以进一步提升其效果。

方法是用人脸图片微调AlexNet。