欢迎来到《每周CV论文推荐》。在这个专栏里，还是本着有三AI一贯的原则，专注于让大家能够系统性完成学习，所以我们推荐的文章也必定是同一主题的。
人脸图像是整个图像处理领域里面研究时间最长，应用最广的方向，今天给大家介绍入门深度学习人脸检测必读的文章。
作者&编辑 | 言有三
1 Faceness-Net
传统的人脸检测算法有一类是分别检测人脸各个组件，然后融合，深度学习早期也有文章做同样的研究，即Faceness-Net。作为最早期的尝试，感兴趣的同学可以简单阅读。
文章引用量：40+
推荐指数：✦✦✦✧✧
[1] Yang S, Luo P, Loy C C, et al. Faceness-net: Face detection through deep facial part responses[J]. IEEE transactions on pattern analysis and machine intelligence, 2017, 40(8): 1845-1859.
2 Cascade CNN
Cascade CNN来源于2015年CVPR上的一篇论文A Convolution Neural Network Cascade for Face Detection，可以认为是传统技术和深度网络相结合的一个代表，和VJ人脸检测器一样，其包含了多个分类器，这些分类器采用级联的结构进行组织，不同之处在于Cascade CNN使用卷积网络作为每一级的分类器。
文章引用量：600+
推荐指数：✦✦✦✦✦
[2] Li H, Lin Z, Shen X, et al. A convolutional neural network cascade for face detection[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2015: 5325-5334.
3 MTCNN
MTCNN同Cascade CNN一样也是基于Cascade的框架，但是整体思路更加巧妙合理，并且将人脸检测和人脸关键点检测任务同时完成。
文章引用量：900+
推荐指数：✦✦✦✦✦
[3] Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks[K. Zhang al., 2016
4 RCNN系列的应用
Faster RCNN是一个很好的框架，自然会被用于人脸检测，而在线负样本挖掘，center loss等策略可以让Faster RCNN框架更好地被应用于人脸检测任务。
文章引用量：200+
推荐指数：✦✦✦✧✧
[4] Jiang H, Learned-Miller E. Face detection with the faster R-CNN[C]//2017 12th IEEE International Conference on Automatic Face & Gesture Recognition (FG 2017). IEEE, 2017: 650-657.
[5] Wang H, Li Z, Ji X, et al. Face R-CNN[J]. 2017.
5 DenseBox
Densebox是一个多尺度的FCN框架，不基于Anchor机制，直接在图像上预测出目标的边框及类别，通过与人脸关键点任务的配合可以提高检测的精度。
文章引用量：100+
推荐指数：✦✦✦✧✧
[6] Huang L, Yang Y, Deng Y, et al. Densebox: Unifying landmark localization with end to end object detection[J]. arXiv preprint arXiv:1509.04874, 2015.
