MTCNN源码详细解读（1）：PNet/RNet/ONet网络结构与损失函数解析

代码 地址 https://github.com/AITTSMD/MTCNN-Tensorflow

   这里我就不在进行MTCNN的介绍了。分析的再清楚都不如从源码的实现去分析。

   Talk is cheap, just   show me the code 。

   MTCNN主要分为三个网络 PNet RNet ONet

   其中PNet是个全卷积网络 这是和RNet ONet最大的区别

   由于篇幅有限 分成多篇进行分析
MTCNN源码详细解读（2）- PNet的训练和数据集的构建
MTCNN源码详细解读（3）- RNet的训练和数据集的构建

def P_Net(inputs,label=None,bbox_target=None,landmark_target=None,training=True):
    #define common param
    # 为相同的卷积操作 设置一样的初始化参数和激活函数prelu
    with slim.arg_scope([slim.conv2d],
                        activation_fn=prelu,
                        weights_initializer=slim.xavier_initializer(),
                        biases_initializer=tf.zeros_initializer(),
                        weights_regularizer=slim.l2_regularizer(0.0005), 
                        padding='valid'):
        # PNet 训练输入时(batch_size, 12, 12, 3)
        # (batch_size, 10, 10, 10)
        net = slim.conv2d(inputs, 10, 3, stride=1,scope='conv1')
        # (batch_size, 5, 5, 10)
        net = slim.max_pool2d(net, kernel_size=[2,2], stride=2, scope='pool1', padding='SAME')
        # (batch_size, 3, 3, 16)
        net = slim.conv2d(net,num_outputs=16,kernel_size=[3,3],stride=1,scope='conv2')
        # (batch_size, 1, 1, 32)
        net = slim.conv2d(net,num_outputs=32,kernel_size=[3,3],stride=1,scope='conv3')
        #batch*H*W*2
        # 用 1 * 1卷积核来做输出
        # 这里是类别输出 虽然是二分类 但是作者用2的维度来表示  第一位表示不是人脸置信度 第二位表示是人脸的置信度
        conv4_1 = slim.conv2d(net,num_outputs=2,kernel_size=[1,1],stride=1,scope='conv4_1',activation_fn=tf.nn.softmax)
        
        #batch*H*W*4
        # 这里就是输出坐标的偏移 4个值
        bbox_pred = slim.conv2d(net,num_outputs=4,kernel_size=[1
免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删