研究TCDCN

#Learning and Transferring Multi-task Deep Representation for Face Alignment

#摘要

通过多任务学习方式增强检测的稳定性。尤其地，借助与人脸相关的属性，同步学习人脸特征点的位置信息。
tasks-constrained deep model：用于应对不同任务所具有的特性差异问题
task-wise early stopping criterion ：用于处理各任务收敛速度不一致的问题，从而确保所有任务均能实现收敛。

#介绍
面部特征点检测（Facial landmark detection）
当一个孩子在笑时，其嘴巴通常会张开，这种内在关联性可以被有效利用，从而更精准地定位嘴角位置。当头部发生偏转时，两眼之间的间距会有所缩小。如果不考虑这些相关因素而单独进行Facial landmark detection，则难以获得理想的效果。本研究的核心目标是通过引入若干辅助任务来优化Facial landmark detection的性能，这些辅助任务包括：头部姿态估计、性别识别、年龄预测、面部表情分析以及面部属性推断。然而这些属性的学习难度存在差异，例如判断是否佩戴眼镜相较于判断是否在笑要简单得多。因此，若某一任务较早出现过拟合现象，则可能导致整个网络失效。
tasks-constrain