提案法のネットワーク構造は画像のとおり．エンコーダーの各層の中間出力・最終出力をデコーダーに入力する．デコーダーではattention機構により顔パーツの関連性を学習することができる．また，デコーダーにカスケード構造を使用することで，徐々に顔パーツ座標を真値に近づけられるようになり，精度が向上した．

顔パーツ検出データセット(300W, COFW, AFLW, WFLW-Full)においてNMEとFRで評価してSOTAを達成した．また，エンコーダー側にはResNet-18など軽量なモデルを使用しても精度に影響が少なく，小さなFLOPsで高精度を実現できることも示した．

従来の顔パーツ検出では精度の問題からヒートマップ手法が用いられていた．提案法では精度面で劣っていた座標予測手法の問題を指摘したうえで，この問題をattention機構やカスケード構造を用いることで解決し，SOTAを達成しているため．