本次介绍一篇来自旷视科技的人脸检测文章：
《2016 ACM MM UnitBox: An Advanced Object Detection Network》.
代码应该是不会放出来了，但好在实现比较简单。(插播一句，论文里面说速度可以达到12fps，我有点慌，大家看看科学不)
目标检测可以视作两个任务：目标定位 + 视觉识别。
基于深度学习的目标检测大致又可以分为三个部分：
（1）Region Proposal
这一步主要是为了寻找人脸候选区域，常见的方法有Selective Search、 EdgeBoxes 和stages of cascade detectors。这一步往往是算法的瓶颈所在，与性能和速度关联紧密。
（2）Recognition and Categorization
这一步就是为了对窗口进行分类，二分类(人脸非人脸)，或者多分类(多目标检测)。
（3）Bounding Box Regression
进一步调整检测框，使之更加精准。(可以看做由粗到细的refine过程)
对比两种方法：
Faster R-CNN: 使用region proposal network(RPN)来预测框，但是由于anchor box的尺寸和长宽比都是预先设定的，因此很难处理大的形状变化，特别是小的目标。
Densebox: 直接预测当前点与ground truth的四条边的距离，并且使用L2 Loss。但是为了检测不同尺度的目标，Densebox使用了图像金字塔，所以计算量很大。
上述两种方法都使用了L2_Loss，这也就意味着把四个坐标当成了独立变量，这显然是与实际不符的，这也是为什么框不准的原因。
因此
为了方便灵活灵活地处理各种角度的目标，作者提出了一种新的IOU_Loss，将四个回归值当做一个整体来处理,不仅提高了准确率而且加速了收敛。
这部分就进入正题了，首先说明一下，预测的四个值并不是人脸框的坐标，而是坐标差值，如下图：
从上图出发，我们来认识几点：
L2 Loss可以看做是欧氏距离，很明显这里面四个坐标是被当做独立变量来优化的。这可能导致下面的问题：
左边的人脸框明显比右边的要准一点，但是脸太大，则导致loss最终反而比右边的大，然后我们就去惩罚这个loss，结果最后检测器对小人脸效果就不好了。
IOU Loss的定义在第一张图里面其实已经给出来了，这里给出计算一整个人脸的Loss的流程图：
补充说明：
（1）UnitBox是一个端到端的网络，即输出和输入尺寸一致(后面会讲)，因此上面是在循环计算每一个像素的loss；
（2）在输出四个坐标的前一层是一个ReLU层，以此来保证四个预测距离都是正值；
（3）\(IOU \in [0,1]\),因此可以直接忽略bounding box的尺度问题。因此UnitBox可以在多尺度上训练而直接在但尺度上测试。
这一部分正常求导即可，有兴趣可以自己导一下，或者参看原文。这里直接给出最后的导数定义：
由上式可以看出，IOU Loss的目的就是使重叠区域越大越好。
网络结构如下图：
使用VGG-16模型finetune,只不过去掉了全连接层，然后又搞成了带有两个分支的全卷积网络：一个分支是pixel级别的bounding box差值坐标，一个是分类得分。
显然输入应该有3个：原始图片，分类得分图(来描述一个像素是否落入ground truth)，包围框误差坐标图(来描述与ground truth四条边的距离)
上图中的虚线表示线性插值和crop操作，以保证输出和输入大小一致。
分类得分使用的是sigmoid交叉熵loss,该loss既可以和IOU Loss分开训练也可以联合训练。
如何最终定位人脸：
选定一定阈值，用一个椭圆在分类得分图上框出一个人脸，，然后选择中心坐标，找到其对应的bounding box。
使用汤晓鸥的WiderFace数据集，这个数据集比较难。
结论：收敛更快，对尺度更鲁棒。
