第三篇还是从论文说起，第一篇[2016SP Letters]Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks其工作流水线分为三个阶段。首先将会将输入图片resize为图片金字塔作为接下来三个阶段cascaded framework的输入；
**阶段一：**使用一个全convolutional network成为proposal network（P-Net）来获得候选图片窗口以及其bounding box regression vectors。接着采用non-maximum suppression来将高度相似的候选图片合并。关于non-maximum suppression（非最大值抑制）：去掉detection任务重复的检测框。(推荐看这篇博客https://blog.csdn.net/leviopku/article/details/80886386）
**阶段二：**被选出的候选图片被送入另一个CNN，称为Refine Network（R-Net），其会拒绝一些错误的候选图片
**阶段三：**这个阶段类似于阶段二，但本阶段目的在于更精确地描述出脸部。本阶段会输出五个facial landmarks’ position。
CNN架构：这篇论文意识到Some filters lack diversity of weights that may limit them to produce discriminative description，we reduce the number of filters and change the 5×5 filter to a 3×3 filter to reduce the computing while increase the depth to get better performance。意思是如果使用大的filter，那么出来的结果就是个大的值，局部感知也很小，结果量比较少，如果使用小的filter
这篇重要的东西就这么多，下一篇：2014_ECCV_香港中文大_Facial landmark detection by deep multi-task learning下次再写