CV之MTCNN：MTCNN算法过程及其相关思路配图集合

DL之MTCNN：MTCNN算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略

目录

MTCNN算法的简介(论文介绍)、架构详解、案例应用

MTCNN算法的架构详解

1、MTCNN的损失函数

2、MTCNN关键步骤

(1)、Proposal Net

(2)、Refine Net

(3)、Output Net

MTCNN算法的使用方法

1、案例应用

CV之FD&FA：利用MTCNN的脚本实现对LFW数据集进行FD人脸检测和FA人脸校准

MTCNN算法的简介(论文介绍)、架构详解、案例应用

       MTCNN是一个深度级联多任务框架。该框架用来解决由于各种姿势、照明和遮挡，在不受约束的环境中进行人脸检测和对齐的问题。

Paper地址：https://kpzhang93.github.io/MTCNN_face_detection_alignment/ github地址：https://github.com/kpzhang93/MTCNN_face_detection_alignmentmxnet版本：https://github.com/TropComplique/mtcnn-pytorchpytorch版本：https://github.com/YYuanAnyVision/mxnet_mtcnn_face_detection

MTCNN算法的架构详解

       网络采用三网级联结构，首先将图像重新缩放为不同大小的范围（称为图像金字塔），然后第一个模型（Proposal Network 或 P-Net）提出候选面部区域；第二个模型（Refine Network 或 R-Net）过滤边界框；第三个模型（Output Network或 O-Net）输出边界框和面部特征点位置。  CNN 三个阶段。在第一阶段，它通过浅层 CNN 快速生成候选窗口。然后，它通过更复杂的 CNN 对窗口进行细化以拒绝大量非人脸窗口。最后，它使用更强大的 CNN 来细化结果并输出面部标志位置。        模型被称为多任务网络，因为级联中的三个模型（P-Net、R-Net 和 O-Net）中的每一个都在三个任务上进行训练，例如进行三种类型的预测：人脸分类、边界框回归和人脸 landmark 定位。

1、MTCNN的损失函数

       针对人脸识别问题，直接使用交叉熵代价函数，对于框回归和关键点定位，使用L2损失。最后把这三部分的损失各自乘以自身的权重累加起来，形成最后的总损失。人脸识别损失函数（cross-entry loss）、回归框的损失函数 （Euclidean loss）、关键点的损失函数 （Euclidean loss）

2、MTCNN关键步骤 (1)、Proposal Net

(2)、Refine Net

(3)、Output Net

MTCNN算法的使用方法 1、案例应用 CV之FD&FA：利用MTCNN的脚本实现对LFW数据集进行FD人脸检测和FA人脸校准

CV之FD&FA：利用MTCNN的脚本实现对LFW数据集进行FD人脸检测和FA人脸校准_一个处女座的程序猿的博客-CSDN博客