基于MTCNN多任务网络模型实战：人脸检测+关键点定位

东方耀

多任务网络：使用同一个网络同时训练多个任务
端到端网络 end-to-end


多任务网络的技术难点：
1、训练数据更加复杂
2、共享卷积层的调整
3、训练过程更加复杂，考虑任务之间的平衡




人脸检测+关键点定位（人脸对齐）
人脸关键点检测是在人脸检测的基础上，对人脸上的特征点例如眼睛、鼻子、嘴巴等进行定位


数据集资源：
人脸检测：WiderFace 地址：http://shuoyang1213.me/WIDERFACE/
人脸对齐：LFPW 地址：http://mmlab.ie.cuhk.edu.hk/archive/CNN_FacePoint.htm




MTCNN训练数据的划分：
1、Negative 非人脸
2、Positive 人脸
3、Part faces 部分人脸
4、Landmark face 标记好特征点的人脸
5、Negative和Positive用于人脸分类
6、Positive和Part faces用于人脸框位置回归
7、Landmark face用于人脸关键点定位

Multi-task Cascaded Convolutional Neural Networks
MTCNN环境搭建：
https://github.com/AITTSMD/MTCNN-Tensorflow
https://github.com/CongWeilin/mtcnn-caffe


模型测试（PNet RNet ONet）
python3 test/one_image_test.py