- 測試demo：https://github.com/Jack-CV/PCN
- 關鍵詞：rotation-invariant face detection， rotation-in-plane， coarse-to-fine
- 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。
- 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范圍。第二級再繼續以兩條±45°的軸進行翻轉，將人臉的角度范圍限制到[-45°, 45°]。第三級，使用角度偏差回歸預測精准的角度。校正流程如下：
5. 樣本划分：
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，人臉范圍划分為2部分，人臉朝上的角度范圍是[−65°,65°]， 人臉朝下的范圍是[-180°，-115°]∪[115°，180°]，其他角度范圍不作訓練數據。可以定義朝上的label為0，朝下的為1。
對於第二級網絡，人臉范圍划分為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，人臉范圍為[-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里的樣本比例，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
第一級的人臉角度划分，根據預測的θ進行划分，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，只是角度的校正范圍發生了變化，轉變為[-90°，-45°]，[-45°，45°]，[45°，90°]
8.3 PCN-3
經過第二級的校正之后，人臉的范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：
