免費論文查重認準CNKI論文查重，專為高校論文檢測、畢業論文查重、碩士論文查重誕生的論文檢測入口平臺，CNKI論文查重系統涵蓋海量的數據庫，為畢業生解決各種煩惱，論文查重軟件免費為各種有論文檢測、論文查重需求的人提供，論文查重認準CNKI查重！
發布時間：2023-03-21 16:12:18 作者：學術小編 來源：www.derer.cn
作者認為人臉檢測和人臉關鍵點檢測兩個任務之間往往存在著潛在的聯系，然而大多數方法都未將兩個任務有效的結合起來，本文為了充分利用兩任務之間潛在的聯系，提出一種多任務級聯的人臉檢測框架，將 人臉檢測和人臉關鍵點檢測 同時進行。 MTCNN 包含三個級聯的多任務卷積神經網絡，分別是 Proposal Network (P-Net)、Refine Network (R-Net)、Output Network (O-Net) ，每個多任務卷積神經網絡均有三個學習任務，分別是 人臉分類、邊框回歸和關鍵點定位 。
該論文由港中文的孫祎、王曉剛、湯曉鷗提出，應該是最早使用 CNN 進行人臉關鍵點檢測的論文之一了。 在論文中，作者設計了 Three-level cascaded CNNs 用于人臉關鍵點檢測（5 Points）：Left Eye Center (LE)，Right Eye Center (RE)，Nose Tip (N)，Left Mouth Corner (LM)，Right Mouth Corner (RM)。 在模型的各個 level 中，模型會對各個人臉關鍵點做多次預測，取其平均值。
常見的人臉關鍵點檢測算法中，其損失函數一般都是 L2 Loss（如下圖左側所示，其中的 用來控制各個關鍵點的權重）。 作者考慮到現有數據集中極端情況的樣本數量少，故對旋轉角度大的樣本給予更大的 Loss 權重（如下圖右側所示，），以此緩解所存在的數據樣本分布不平衡的問題。
在該篇論文中，作者將人臉關鍵點（68 Facial Landmarks）分為 Inner Points（人臉五官區域的特征點） 和 Contour Points（人臉輪廓的特征點），并分開進行預測。 此外，作者對于 Inner Points 的預測過程中，按照五官區域進行劃分，對各個區域的特征點進行微調。 之所以作者按照五官區域進行劃分，是因為不同區域的關鍵點的預測難度不同（如下圖左側所示），一起進行預測效果不好；將 Inner Points 和 Contour Points 分開預測，是因為 Contour Points 的預測難度大于 Inner Points（如下圖右側所示）。 此外，作者也指出之所以預測 Contour Points 的分支沒有第三、四層網絡，是受運行時間的限制。
