本报告提出了一种基于深度网络的区域检测人脸的新方法 ——Face R-FCN，使用全卷积神经网络做到更准确和更高效的人脸检测，我们采用了一些新技术，包括位置敏感平均池化，多尺度训练和测试以及在线困难样例挖掘策略，这种方法在 FDDB 和 WIDER FACE 等标准数据集上达到了 state-of-the-artlevel 的检测效果。

Sep, 2017

本文提出了一种名为 MS-FRCNN 的新方法，它可以鲁棒地检测在面临各种困难的情况下搜集的图像中的人类面部区域，基于 Wider Face 数据库和 Face Detection 数据集与基准（FDDB）对比表明，该方法在各种情况下相对于其他最新的人脸检测方法，始终保持高度竞争力的最新表现。

Dec, 2016

本篇论文介绍了一种基于卷积神经网络设计的人脸检测器，该检测器可以处理极大范围内尺度大小的人脸，所设计的深度卷积神经网络结构可以模拟不同尺度的人脸，且经过训练后在 WIDER FACE 和 FDDB 数据集中表现出优异性能，其模型的输入不需要图像金字塔，拥有适度的复杂度，实用性标准时间内运行。

Jun, 2017

本文提出了一种名为 Supervised Transformer Network 的新型级联卷积神经网络来解决面部检测中的大姿态变化问题，通过使用多任务区域提案网络 (RPN) 同时预测人脸候选区域和相关的面部标志，然后将检测到的面部标志映射到它们的规范位置来更好地规范化面部模式，并在第二阶段使用 RCNN 验证经过变换的候选区域是否为有效面部，同时结合来自网络两个阶段的特征图，取得了多个公共基准测试的最先进的检测精度，并且在保持良好性能的同时，只占用单个核心的 CPU 即可以 30 FPS 的速度运行。

Jul, 2016

本论文面向人脸检测任务，提出了一种加速方法 S2AP 和掩膜卷积操作，在保持高准确率的前提下，将 RPN 的速度提升了 4 倍，并在 FDDB、AFW、MALF 等数据集上达到了 state-of-the-art 效果。

Apr, 2018

该研究提出了一种基于 CNN 的面部检测器，可以通过预测面部的尺度分布直方图来显式处理不同尺度的面部，从而实现更好的检测效果和更少的计算成本。

Jun, 2017

提出一种名为 CMS-RCNN 的面部检测方法，用于应对面部识别领域中的挑战性问题，该方法将多尺度信息与人体上下文信息相结合，具有排名第一的性能表现。

Jun, 2016

本文提出了一种基于漏斗结构的多视图人脸检测框架 (FuSt)，该框架使用级联分类器和形状索引特征，具有高准确性和低时间成本，能够对多种不同的面部形态进行检测并进行人脸对齐。实验证明，该检测器在两个具有挑战性的数据集上表现出卓越的准确性和速度。

Sep, 2016

本文中，我们提出了一种名为 FANet 的新型单阶段人脸检测器，它不仅实现了最新的性能，而且运行效率高。此外，我们还提出了一种分层损失来有效地训练 FANet 模型，并在几个公共人脸检测基准测试集上评估了所提出的 FANet 检测器，包括 PASCAL face、FDDB 和 WIDER FACE 数据集，在这些基准测试集上都获得了最新的结果。

Dec, 2017

本文介绍了一种基于全卷积神经网络 (FCNs) 的实例级分割算法，通过像素级分类器计算相对位置和一些敏感的分数映射，然后通过一个简单的组装模块能够输出每个位置的实例候选。该方法在 PASCAL VOC 和 MS COCO 上具有较好的实例分割性能表现。

Mar, 2016