人脸对齐：DCNN级联关键点检测2013

大家好，又见面了，我是你们的朋友全栈君。

近期学习关键点检测相关内容，基于CNN的方法已经替代以往经典的方法（ASM,AAM等），于是乎得看看CNN是如何应用到关键点检测上的。

创新点： 
1.将CNN应用到人脸关键点检测当中 
2.提出级联CNN，这个级联CNN的level-1 有一个非常重要的作用，就是解决了传统人脸关键点检测时都会遇到的一个问题——关键点初始化，传统参数化方法（ASM,AAM等）若初始化不当，容易陷入局部最优。 
虽然作者没有明确说这个问题，但是很明显的是，经过level-1,得到了一个相对较好的初始化。 
在这方面，face++ 发表在ICCV-2013的paper（Extensive facial landmark localization with coarse-to-fine convolutional network cascade）同样有这么个“初始化”的操作。 
3.借鉴别的文献中的idea：局部共享权值（locally sharing weights），理论听起来挺有道理的。传统的权值共享认为某一个特征会图像的不同位置出现，所以采用全局权值共享。但是人脸是由比较规范的结构，如人眼就是在上部，鼻子就是在中部，嘴就是在下部，因此应该采用局部权值共享。

2013年，Sun等人首次将CNN应用到人脸关键点检测，并且取得较好的结果(BioID、LFPW数据集上)，今天就来看看Sun等人提出的Deep Convolutional Network Cascade，到底是如何应用到人脸关键点检测的。

Abstract

作者提出一种级联的CNN（有三个level）来检测人脸关键点，之所以此方法好，很大程度是得益于CNN可以提取全局的，“高级”（high level）的特征，以及作者精心设计的 three-level的网络结构。

Introduction

近年（2010年前后）Facial keypoint detection可分为两种方法：1 classifying search windows；2 directly predicting keypoint positions (or shape parameters) 
而第一种方法需要scanning，从而很耗时。本文提出的three-level就自然属于第二种方法了。然而，以往的初始化方法是采用mean shape or shape sampled from the training set，这样初始化是很“粗糙”的，距离真实label比较“远”的初始化，这样存在一个严重的问题就是——训练过程中容易陷入局部最优。本文提出的模型中，first-level一大作用就是提取出一个比较“精准”的key point 用来初始化，从而可以避免局部最优。 
后两个level的CNN，需要比first-level要浅一些，因为这两个level是“看”low-level的区域，提取的是low-level的特征，所以不需要太深。 
Related work(略)

Cascaded convolutional network

Cascaded convolutional network，由三个level构成，level-1 由三个CNN组成；level-2由10个CNN组成（因为是5个point，每个point用两个CNN）；level-310个CNN组成（因为是5个point，每个point用两个CNN）。每个CNN的input size还不一样，因为其作用不同，请看图。

Level-1： 
分三个CNN，分别是F1（face 1）、EN1（eye，nose）、NM1（nose，mouth）；F1的input是39*39，输出是5个点；EN1的input是39*31，输出是3个点；NM1的input是39*31，输出是3个点。Level-1的输出是由三个CNN输出取平均得到； 
在level-1中还采用了locally sharing weights，传统的权值共享认为某一个特征会图像的不同位置出现，所以采用权值共享。然而对于fixed spatial layout的任务就不应该这样做，例如人脸特征点检测，眼睛就是在上面，鼻子就是在中间，嘴巴就是在下面的。所以这里采用局部权值共享，idea源自[12](2012-CVPR Learning hierarchical representations for face verification with convolutional deep belief networks) 
有兴趣的同学可以看看这篇paper，局部权值共享是怎么操作的。

Level-2： 
由10个CNN构成，input size均为15*15，每两个组成一对，一个点由一对CNN进行预测，预测结果同样是采取平均。 
Level-3，与Level-2类似。

一句话总结本模型：

Cascaded convolutional network，就是由粗到细的级联回归，同时借助CNN强大的特征提取能力，有效的提升了关键点检测精度。

随笔： 
1. 部权值共享只是在level-1中采用，毕竟后两个level不需要 
2. err计算公式： 

L is the width of the bounding box returned by detector. 这里没用采用两眼距离坐归一化因子，原因参加论文[28]

Q: EN1和NM1的input size 为什么与 F1的不一样？ 
A： 因为F1负责5个点，是更high-level的，而EN1，NM1负责3个点

Q： 为什么选取39*39，39*31，是因为数据集的问题？ 
A： 实验得出的经验值

相关博客推荐： 
http://blog.csdn.net/joshuaxx316/article/details/52294233 
http://blog.csdn.net/xzzppp/article/details/74933489 
http://blog.csdn.net/xzzppp/article/details/74932150 
http://blog.csdn.net/hjimce/article/details/49955149（推荐，超详细）

胡思乱想： 
1. 摘要就说，以前方法的初始化不够好，容易导致陷入局部最优，那DCNN提出级联的方式，感觉第一级就是做了个很好的初始化。