這是Xiaogang Wang和Xiaoou Tang組的一篇technical report，作者是優秀的學弟Ziwei Liu。
通常人臉識別里面先要對人臉圖像進行檢測和對齊，然后在相應的地方提取特征，但是在自然場景中，由於背景混亂，人臉檢測和對齊會受到影響，進而影響特征提取和最后的識別效果。
這篇論文的主要思想是通過學習兩個deep network來構建face attributes recognition的系統，其中第一個用來localization，第二個用來提取feature。
主要流程：
(a)(b)是corse to fine去localize人臉的位置，經過(a)的CNN得到臉和肩膀部分的圖片，經過(b)的CNN進一步得到人臉部分的圖片。
(c)的CNN是用來學習人臉部分圖片的特征，最后將fully connected layer的特征拼在一起，用(d)的SVM去得到分類結果。
Learning algorithm：
1. 用ImageNet里面的object categories去pre-train (a)和(b)中的兩個CNN。使用判斷圖片里面是否含有object的task去pre-train一個希望能夠自動定位人臉位置的CNN，有一定道理的，知道object，基本上也知道人臉在哪一塊了。
2. 用CelebFaces數據集的face identity的信息去pre-train (c)中用來提取人臉特征的CNN。從(c)中可以看出來，它和一般的CNN有一點不一樣，在中間兩層是局部的卷積，前后兩層是全局卷積，局部卷積的效果在於能夠保持圖片的位置信息，具體細節參考原論文。
3. 最后再用attribute的label分別對(a)(b)(c)三個CNN進行fine-tune。
實驗結果：
作者給出的實驗結果平均來說比FaceTracker，PANDA-w， PANDA-l好8%，10%，3%。但是文章在pre-train (a)(b)中的CNN時用到了額外的ImageNet里面的dataset，在pre-train (c)中的CNN時用到了額外的CelebFaces dataset。作者提到PANDA-l有用到ground truth bounding box和landmark positions，但是由於本人不清楚FaceTracker，PANDA-w， PANDA-l這三種比較的方法是否有用到其他額外的dataset或者其他information，因此對於實驗結果的比較是否公平不好給出意見。
結果分析：
文章里面有一些分析比較有意思。第一個是分析在(c)中的CNN最后的fully connected layer的每一個neuron的作用。如果把face images對每一個neuron的響應分成強，中，弱三類，對每一類算出一個平均臉，最后發現其實每一個neuron都有一個semantic concept。如下圖所示：
第二個分析是(c)的CNN的最后fully connected layer的weight matrix，每一個列向量（我覺得好像是行向量）都相當於對應着分開一個attribute的正負樣本的hyperplane，那么所有的列向量就是分開所有attributes的hyperplanes。將這些向量用K-means聚類，最后得到下圖，相似的attributes聚類在一起，表明相似的attributes的hyperplane也相似。
