模型的結構大致由圖可以完整展現，三個分類是否人臉的12、24、48net，再加上三個用於修正預測框的分類網絡；
這三個分類是否人臉的網絡，結構逐漸變復雜，
由上圖可以看出，前2階的網絡都非常簡單，只有第3階才比較復雜。這不是重點，重點是我們要從上圖中學習多尺度特征組合。
以第2階段的24-net為例，首先把上一階段剩下的窗口resize為24*24大小，然后送入網絡，得到全連接層的特征。同時，將之前12-net的全連接層特征取出與之拼接在一起。最后對組合后的特征進行softmax分類。
這三個網絡用於矯正人臉檢測框的邊界，往往得分最高的邊界框並非最佳結果，經過校准后其能更好的定位人臉，其矯正原理其實很簡單，
就是對原圖做45次變換，然后每個變換后的邊界框都有一個得分，對於得分高於某個設定的閾值時，將其累加進原邊界，最后結果取平均，就是最佳邊界框。
級聯的好處：
1.初始網絡不用設計很復雜，減小計算量，可以設置較寬松的閾值，保證高召回率的同時排除大量非人臉窗口；
2.第三個網絡雖復雜，為了保證足夠的性能，但是只需要處理之前網絡得到少量窗口，效率提升；
3.采用了多個弱分類器結合達到好效果。