1.mtcnn的工作流程

mtcnn是用来做人脸检测的模型，模型采用三级联的工作方式，如下图

步骤0

将输入图像进行金字塔缩放，小图检测大人脸，大图检测小人脸

步骤1

这里使用一个全卷积网络，叫做Proposal Network（P-Net），这个网络比较简单，有4层cnn网络，最后一层是三个不同深度的1*1卷积核，一个有2个filter，用来分类有人脸和无人脸，一个是有4个filter，用来回归方框偏移量，一个有10个filter，用来回归5个关键点坐标，网络模型如下

在训练过程中，模型接受一个12123的图像，经过前三层卷积后，变成1132的tensor，关于怎么计算cnn的输出，查看计算cnn输出
如上图输入是12， 第一层的卷积核为33，有10个卷积核，步进为1，因此输出为10，经过池化层，尺寸为2， 步进为2， output_shape = (input_shape - pool_size + 1) / strides) 得到4.5，向上取整为5。发现第三层得到了一个11的tensor，表示检测到一个结果。当在测试的时候，我们输入的图像一般都大于1212，因此第三层会得到nn的tensor，表示有n个检测结果，跟yolov里面的单元格类似，
那么最后结果将是nn2，nn4， nn10。最后得到一堆预测结果，里面有很多误判，和重叠方框，首先根据得分过滤得分小的方框，然后使用非极大值抑制，过滤掉重叠的方框

步骤2

在经过p-net后，得到的一堆检测方框（detection），用他们去原图想截图，然后将其resize到24*24
放到第二个网络Refine Network（R-Net），将得到的结果进行使用分类得分进行过滤得分小的方框，
然后使用非极大值抑制，过滤掉重叠的方框

步骤3

在经过R-Net后，还是得到一堆方框，但是比之前少了很多，然后重复步骤2，进行第三步，Output Network（O-Net）输出最终结果，之后结果包含得分，方框，还有关键点（landmark）

mtcnn的损失函数

人脸分类。就是人脸和背景两个类别，损失函数使用交叉熵

Bounding box regression 使用方差损失

论文里面写的box是回归左上角坐标，宽高（left, top, height, and width）但是很多代码里都是回归（left，top，right，down）
landmark regression使用方差损失

损失贡献比例不同，在p-net和r-net中损失贡献比例为
detection：box：landmark=1：0.5：0.5
在o-net中的比例为
detection：box：landmark=1：0.5：1