人脸检测识别文献阅读总结
1 在人脸检测的时候需要结合人脸特征点对齐来综合考虑人脸检测问题，因为人脸特征点对齐有助于提高人脸检测性能
下面的文献都论证了这个思想：
Joint cascade face detection and alignment ECCV2014
Supervised Transformer Network for Efficient Face Detection ECCV2016
Face Detection with End-to-End Integration of a ConvNet and a 3D Model ECCV2016
Joint Face Detection and Alignment Using Multitask Cascaded Convolutional Networks IEEE Signal Processing Letters 2016
2 针对遮挡人脸的检测问题
Grid Loss: Detecting Occluded Faces ECCV2016 主要的解决思路还是分块处理
这篇文献主要在定义了一个新的损失函数 ，从损失函数的角度来考虑人脸分块检测，再综合起来得到整体检测效果。
简单的来说就是当特征明显的区域被遮挡了，这时候我们需要依靠特征不明显的区域来检测出人脸
Detecting Masked Faces in the Wild with LLE-CNNs CVPR2017
本文针对遮挡人脸问题，首先建立了一个新的数据库 MAFA, with 30,811 Internet images and 35,806 masked faces，先用一个小的 CNN提取人脸候选区域，再用 VGG 人脸识别系统提取特征，使用 locally linear embedding (LLE) 对遮挡区域的特征尝试修复，最后用 CNN 进行人脸候选区域验证。
3 人脸检测中的尺度问题
Recurrent Scale Approximation for Object Detection in CNN ICCV2017
这篇文献首先用一个 scale-forecast 网络 来预测图像中人脸的尺度，然后再去做人脸检测
S3FD: Single Shot Scale-invariant Face Detector ICCV2017
本文针对基于 anchor 的检测器对 小的人脸检测率低的问题进行了分析和改进，主要改进的地方位于 anchor-associated 网络层
Scale-Aware Face Detection CVPR2017
本文首先用一个 Scale Proposal Network (SPN) 估计出图像中人脸的尺度分布，然后按照该尺度归一化图像，再进行人脸检测
Face Detection through Scale-Friendly Deep Convolutional Networks 这篇文献还是很不错的。
http://shuoyang1213.me/projects/ScaleFace/ScaleFace.html
本文针对多尺度人脸检测问题，采用分而治之的思路来解决，提出不同尺度的人脸需要不同的网络结构来进行检测。然后我们将这些网络组合成一个网络，使用端对端的方式优化学习。另一种理解方式是在尺度上采用级联检测器来检测多尺度人脸
4 针对小人脸的检测
Finding Tiny Faces CVPR2017 本文的检测效果好，但是速度慢
本文主要探讨了小目标周边信息对于检测小目标的重要性 Context 很重要
5 快速人脸检测
FaceBoxes: A CPU Real-time Face Detector with High Accuracy
人脸对齐性能饱和问题
How far are we from solving the 2D & 3D Face Alignment problem? (and a dataset of 230,000 3D facial landmarks)
ICCV2017
https://www.adrianbulat.com/face-alignment
Pytorch Code: https://github.com/1adrianb/face-alignment
Torch7 Code: https://github.com/1adrianb/2D-and-3D-face-alignment
本文得出的结论是 ： 模型对于目前的数据基本已经达到性能饱和，对于一些不常见的姿态可以通过增加训练数据来提升网络的性能
待续！