本文介紹的人臉檢測方法，來源于2015CVPR《A Convolutional Neural Network Cascade for Face Detection》。本篇文章的方法可以說是對經典的Viola jones方法的深度卷積網絡實作，并沒有讓人眼前一亮的地方，但依然有以下幾點可以學習。
（1）網絡級聯
下圖是該方法的整個流程示意圖，可以明顯看出是3階級聯（12-net、24-net、48-net）。
級聯的工作原理和好處：
1、最初階段的網絡可以比較簡單，判别門檻值可以設得寬松一點，這樣就可以在保持較高召回率的同時排除掉大量的非人臉視窗；
2、最後階段網絡為了保證足夠的性能，是以一般設計的比較複雜，但由于隻需要處理前面剩下的視窗，是以可以保證足夠的效率；
3、 級聯的思想可以幫助我們去組合利用性能較差的分類器，同時又可以獲得一定的效率保證。
下圖展示了，3階段平均剩下的視窗數量及對應的召回率：
（2）多尺度特征
下圖是3階網絡的具體網絡結構：
由上圖可以看出，前2階的網絡都非常簡單，隻有第3階才比較複雜。這不是重點，重點是我們要從上圖中學習多尺度特征組合。
以第2階段的24-net為例，首先把上一階段剩下的視窗resize為24*24大小，然後送入網絡，得到全連接配接層的特征。同時，将之前12-net的全連接配接層特征取出與之拼接在一起。最後對組合後的特征進行softmax分類。
下圖展示了，使用和不使用多尺度特征的差異：
由圖可見，采用多尺度特征可以相同條件下獲得相對較高的召回率，即提升了網絡的分類能力。
（3）校正網絡-将回歸轉化為分類問題
大家應該在整體流程示意圖中注意到了：每一個分類網絡的輸出都會經過一個對應的校正網絡之後，才會被送到下一階段。
該校正網絡是為了解決下面的定位不準的問題的：
在上圖中，藍色框是（如12-net）分類網絡的輸出，紅色框是經過對應的12-calibration-net校正後的輸出。
對于矩形框的校正，我們隻需要3個參數，一個是水準平移量xn，一個是垂直平移量yn，還有一個是寬高縮放比例sn。即我們要将矩形框的控制坐标調整為：
直覺上來看，這是要解決一個回歸問題，需要回歸出3個參數。但是連續的回歸問題是很難解決的，是以文章将此轉化為離散的分類問題。文章首先，将3個參數分别列出一些值：
于是，我們的目标就是建立一個45類的分類器，畢竟神經網絡的強項在于分類。
但是，這個分類器的準确性仍然不是很穩定。是以，文章選擇得分比較高的幾類做平均，最後進行校正，即：
（4）級聯的訓練方法
對于級聯問題，文章采用了特殊的訓練政策。
1、按照一般的方法組織正負樣本訓練第一階段的12-net和12-calibration-net網絡；
2、 利用上述的1層網絡在AFLW資料集上作人臉檢測，在保證99%的召回率的基礎上确定判别門檻值T1。
3、将在AFLW上判為人臉的非人臉視窗作為負樣本，将所有真實人臉作為正樣本，訓練第二階段的24-net和24-calibration-net網絡；
4、重複2和3，完成最後階段的訓練