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 λ 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，如果说你的图片信息全是运动员颁奖拍照，那人脸图片可能就往往带了其他固有的信息（比如奖杯，奖牌）而非人脸图片可能就没有这些信息，这样的话，模型对这些噪声就无法滤出。而如果增加了更多的监督信息，比方说人脸的部位属性信息，这样符合这种信息的区域就会更少，其他不符合的噪声区域也就会被滤出。
本文就是用了这种特性，对5个部位的属性分别做属性分类训练（我目前正在实验这里，之前用的是一堆softmax二分类，因为每个softmax前都有相对应的全链接层，故可能是参数太多了，发现效果并不理想;目前改用为sigmoid_cross_entropy_loss直接对某个部位的属性进行分类，还不知道效果如何。）得到5个模型之后，把conv5层特征归一化的累加在一起（每层都计算出mean，variance，然后每一层单独归一化，加在一起后再归一化，我从它的源码看到的，这里感谢下原作者提供的部分源码。）这样就可以得到大致的位置。

faceness score的训练

训练好5个模型之后，文章里并没有把这5个模型拼起来再训练，而是类似与DPM的方式，通过某种计算来建立起5个部位模型与人脸之间的关系，通过计算得分来判断是否是人脸的几率，对候选框进行重排序，然后选择top k个框进行下一步操作。这里我更倾向于直接用5个部位的模型去初始化一个人脸模型，然后直接进行学习，当然我觉得这样效果可能会更好，而且会更简单，当然收敛的时间可能会需要一些，不过当然这种方法可能就不是那么高大上了，没有公式的论文不是好论文，于是乎本论文选择更加复杂，也感觉有点绕弯的方式，通过自己制定规则来计算得分，并根据最大后验概率来计算计算得分时需要的 λ 。这就是本文第二个主要的内容：得分这一块我始终都没搞太明白，因为作者也只是举例子，而且说的也很含糊，不过大致可以理解为：
我通过ss方式找到一堆候选框，我在候选框的conv特征图中计算相应部位的得分，计算的方法是将候选框四角分别为ABCD，然后通过参数 λ 找到EFGH，然后计算得分，遵循这头发尽可能在上面，眼睛在中间什么的，总之感觉这里有些不对，这里模型设计的太随便了，可能是我体会不到其中的妙处。计算 λ 是通过最大后验概率来求的，本来之前我一直在想到底P(w)到底怎么求，实际上如果不陷入这个公式可能就想通了，在我认为，P(w)和P(h)一样，不是概率密度函数，而是对这个算法公式的有关w和h的先验，实际计算部分只有这里

也就是说实际的计算相当于已知候选框，得到heatmap之后，来求这个公式，当然如果这里得到的话，对把其他（如 δw ）代入，然后对 λ 求偏导并置为0，即可求得 λ 。求完后即可知道所有候选框的faceness score的大小，并根据大小进行重排序。作者可能为了统一化，或者让我们感觉很高大上才这样写的吧，不知道我理解的对不对。
人脸检测模型的训练比较简单，直接通过alexnet模型用aflw数据集进行人脸的学习并向ground truth回归，这里不再进行复述。
最终的实验大家按照自己的需求看原论文即可。谢谢大家观看，如果哪里有讲的不对或不清楚的地方，请大家指出来，我来更正。