一.论文解读
论文链接：https://arxiv.org/ftp/arxiv/papers/1604/1604.02878.pdf
1. P、R、O网络结构图解
2. 流程图解
3. 代码实现步骤：
样本预处理(数据集用celeba，拿来先生成3种尺寸12*12/24*24/48*48，每种尺寸含正、负、部分3类) ——> 写P、R、O网络——> 训练网络，得到pkl权重文件 ——> 测试。
其中，测试流程详述：
①先是P网络：
输入任意大小的图(min(w,h) >= 12)，img转data并升到4维——>经 _cls, _offest = self.pnet(img_data)得置信度与偏移量，取置信度大于阈值0.6的，得到经边框回归(平移、缩放的逆操作)操作后，即原图的人脸附近可能的预测框坐标集合p_boxes.append
(self.box_reg(idx.cpu().data.numpy(), offset, cls[idx[0],idx[1],idx[2],idx[3]].cpu().data.numpy(),scale))。继续金字塔操作，补充boxes——>NMS。
②传入R网络：
把P得到的这些boxes先补成正方形_pnet_boxes = utils.convert_to_square(pnet_boxes)，之后按坐标在原图上把可能是人脸的区域剪下来，再resize到24*24 ——> 经cls, offset = self.rnet(imgdataset)得置信度与偏移量，取置信度大于阈值0.6的。由偏移量求得原建议框坐标集合r_boxes
③传入O网络：
同R流程一样，不同的是阈值由之前的0.5提高到了0.7，结尾的NMS取了isMin=True。
4. 难点
我觉得代码的难点在对于几个方法的理解，如：图像金字塔、交叠度iou、非极大值抑制nms、convert_to_square、边框回归，其中以P网络用到的边框回归方法最难以理解。
那么我就以图像金字塔的理解举个栗子：
图像金字塔并不是训练与测试时都需要的。
训练阶段不需要，推理阶段需要。训练的时候，需要对训练集中的每个样本缩放到12×12，而对多个尺度的输入图像做训练是非常耗时的，所以为了省时间就没用(没必要用多尺度样本浪费时间)。在推理的时候，测试图像中人脸区域的尺度未知，没有办法，因为P网结构是固定的，当输入图为12*12时，输出的恰好是1*1的5通道特征图，所以可以把p网整体看做一个12*12的卷积核在图片上从左上方开始，取步长stride=2，依次做滑窗操作。——>所以，当刚开始图很大的时候，12*12的框可能只是框住了一张大脸上的某个局部如眼睛、耳朵、鼻子。当该图不断缩至很小的时候，12*12的框能对其框住的也越来越全，直至完全框住了整张脸。
比如一张70*70的图，经过P网全卷积后，输出为（70-2）/2 -2 -2 =30，即一个5通道的30*30的特征图。这就意味着该图经过p的一次滑窗操作，得到了30*30=900个建议框，而每个建议框对应1个置信度cond与4个偏移量offset。再经nms(非极大值抑制：通过iou，把不是极大值的值全都杀掉)把cond大于设定的阈值0.6对应的建议框保留下来，将其对应的offset经边框回归操作，得到在原图中的坐标信息，即得到符合p网的这些建议框了。之后再传给R网。
其他的就先不一 一解释了，给大家推荐几个我认为有助细节理解的博客：
https://blog.csdn.net/qq_41044525/article/details/80820255 测试流程
https://blog.csdn.net/qq_36782182/article/details/83624357 细节探讨
https://blog.csdn.net/diligent_321/article/details/85343552 图像金字塔
https://blog.csdn.net/zijin0802034/article/details/77685438 边框回归方法
https://www.lao-wang.com/?p=114 IOU方法
https://blog.csdn.net/mdjxy63/article/details/81037860 NMS方法
二. 难点图解
1. iou
2. nms
3. convert_to_square
4. 边框回归box_reg
关键是要理解P网络本身可以看做是一个12*12的大卷积核，以步长stride=2在全图做滑窗。
三.效果图展示
1.原图
2.经过P网络，得到的建议框p_boxes如图
3.然后经过R网络筛选，余下的建议框r_boxes如图
4.最后经过O网络筛选，留下的最终建议框o_boxes如图
后续进度展望：深度学习领域的目标检测主要经历了R-CNN, Fast R-CNN, Faster R-CNN ——> Yolo v1 ，接着一方面走向了SSD、Yolo v2、Yolo v3，另一方面走向了MTCNN等。接下来，博主准备依次研究Yolo系列的3个版本，敬请期待后续更新吧~