《Face Alignment by Deep Convolutional Network with Adaptive Learning Rate》
- 一种新的数据增强的策略：平移和旋转、镜像、图像压缩率
- 一种自适应的学习率算法，确保收敛的更好。
Data augmentation：
第一步：轻微的平移和旋转bounding box，可以增加模型对人脸平移及姿态变化的鲁棒性。
第二步: 镜像和改变图像压缩率（3种不同的质量），可以增加对低质量图像的鲁棒性。
模型结构：
8个卷积层跟着两个全连接层，每两个连续的卷积层后跟着一个最大池化层。
依据VGG思想，堆叠卷积操作
为了加快网络的训练，在每个卷积层后加入了batch normalization。
输入图像大小50x50x3，5点检测。
损失函数：
测试集：AFLW和LFPW
训练集：10000训练集通过数据增强扩充到2800000（10000*35*2*4）。
mean error：