1. 測試demo：https://github.com/Jack-CV/PCN
2. 關鍵詞：rotation-invariant face detection， rotation-in-plane， coarse-to-fine
3. 核心概括：該篇文章為中科院計算所智能信息處理重點實驗室VIPL課題組，鄔書哲博士在CVPR2018上的論文。論文主要針對的是在不同平面角度下的人臉檢測，主題思想可以概括為Progressive Calibration Networks（PCN）， 即逐步校正不同角度的人臉。
4. 已有方法：目前，針對平面角度的人臉檢測主要有3種策略，即data augmentation， divide-and-conquer， rotation router。

4. 改進：作者為了快速地檢測不同平面角下的人臉（0°~360°），通過逐級校正的路線，針對第一級檢測出來的人臉，將為[-180°, 180°]的人臉翻轉到[-90°, 90°]。這一步簡單來說，就是把朝下的人臉翻轉為朝上，這樣就減少了一半的角度範圍。第二級再繼續以兩條±45°的軸進行翻轉，將人臉的角度範圍限制到[-45°, 45°]。第三級，使用角度偏差回歸預測精準的角度。校正流程如下：

5. 樣本劃分：

Positive， IOU > 0.7

Negative， IOU < 0.3

Suspected, IOU ∈[0.3, 0.7]

Positive 和 negative 用於人臉分類，positive 和suspected 用於人臉框的回歸和角度校正。

需要說明的是，

三級網絡的訓練樣本輸入分別為24x24，24x24，48x48。

對於第一級網絡，人臉範圍劃分為2部分，人臉朝上的角度範圍是[?65°,65°]， 人臉朝下的範圍是[-180°，-115°]∪[115°，180°]，其他角度範圍不作訓練數據。可以定義朝上的label為0，朝下的為1。

對於第二級網絡，人臉範圍劃分為3部分，分別為[-90°，-45°]，[-45°，45°]，[45°，90°]，可以定義label分別為0，1，2。

對於第三級網絡，人臉範圍為[-45°，45°]，與前兩個網絡不同，訓練的任務是人臉角度的回歸。

6. 訓練細節：

每個batch裏的樣本比例，positive： negative：suspected=2：2：1

max_iters:100,000

type:SGD

lr_base:0.001

gamma:0.1

lr_policy:step

step:70,000

wd:0.0005

7. 網絡結構:

8. 算法介紹：

8.1 PCN-1

對於每一個輸入的滑窗，第一級網絡有3個目標：人臉與非人臉的判斷（f），人臉框的回歸（t），角度的分類score（g）。

第一個目標f，使用softmax-loss，y=1 if face else 0

第二個目標t，使用 l₁ loss

人臉框的回歸由3部分組成，w代表寬度，（a,b）代表人臉框的左上角坐標

第三個目標g，和第一個類似使用softmax-loss， y=1 if face is up else 0

最終的loss為，λ為各個loss 的weight

第一級的人臉角度劃分，根據預測的θ進行劃分，0°表示人臉朝上，不翻轉；180°表示人臉朝下，進行翻轉。

8.2 PCN-2

第二級與第一級類似，只是角度的校正範圍發生了變化，轉變為[-90°，-45°]，[-45°，45°]，[45°，90°]

8.3 PCN-3

經過第二級的校正之後，人臉的範圍已經校正到豎直的一個區域。通過直接對角度進行回歸，使用的loss變為l₁ loss。

最終的角度可以由3級網絡檢測的角度進行疊加得到。

9. 實驗結果：

論文筆記--PCN:Real-Time Rotation-Invariant Face Detection with Progressive Calibration Networks