最近讀了Joint Training of Cascaded CNN for Face Detection這篇論文，論文中把之前人臉檢測使用到的cascade cnn，從分開訓練的模式，改為了聯合訓練，並且聲稱得到了更好的結果。
但是在我讀論文的過程中，產生了下面幾點疑惑：
1.論文4.2節的Training procedure這部分最后提到，To make it converge easily, we train seperate networks and initialize the joint network with trained weights. 說明聯合網絡利用了分別訓練的模型作為初始權重。這相當於把之前的cascade cnn又訓練了一遍，然后再初始化joint network，訓練步驟其實比之前的cascade cnn更復雜了，而且在分別訓練各個網絡時，采用了怎樣的配置參數，以及訓練的目標，均未提及。
2.論文6.3節中提及該方法在FDDB上測試結果，在false positives=1000 時recall是88.2%，而之前的cascade cnn是85.7%。但是我在FDDB網站上查閱到的CascadeCNN的結果是，false positives=167時recall是0.856701，CascadeCNN提供的測試結果，並沒有false positives=1000的數據。不知道這個85.7%是如何獲得的。
3.2016年上半年有一篇論文Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks，也是利用了類似於CascadeCNN的結構，在FDDB上性能比CascadeCNN好很多（論文的方法是檢測和對齊同時做，但是也提供了只做檢測不做對齊的ROC曲線），而且比這批論文的結果還要好，不知道為何選擇性忽視這篇論文。
4.在網上看到一篇報道，該論文中的算法在單核cpu上可以跑到幾百fps，但是論文里面還僅僅是10fps，一下提高了幾十倍的速度，真的是很神奇，不知道是如何在這么短時間內做到的。
上面就是我的幾點疑問，還希望各位高手不吝賜教。
參考文獻和網站：
1.http://www.thinkface.cn/thread-4651-1-1.html
2.http://vis-www.cs.umass.edu/fddb/results.html
3.http://www.cv-foundation.org/openaccess/content_cvpr_2016/papers/Qin_Joint_Training_of_CVPR_2016_paper.pdf
4.http://arxiv.org/pdf/1604.02878