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

本文介绍了一种名为 Single Shot Scale-invariant Face Detector 的实时人脸检测器，它通过单个深度神经网络在各种尺度的人脸上表现出色，特别是对小尺寸的人脸有良好的检测效果。我们在提出一个尺度平等的人脸检测框架、通过尺度补偿锚匹配策略和最大化背景标签的方式来提高小尺寸人脸的召回率和减少假阳性率。通过 AFW、PASCAL face、FDDB 和 WIDER FACE 数据集的评测结果，该方法达到了当今最先进的检测性能，并可在 Nvidia Titan X (Pascal) 上为 VGA 分辨率图像提供 36 FPS 的响应速度。

Aug, 2017

本研究探讨了自然场景下的行人检测问题，提出了基于分治思想的 SAF R-CNN 框架来解决实例尺度的变化范围大导致的特征内类别方差大的问题，并在多个具有挑战性的行人检测数据集上实现了业界领先效果。

Oct, 2015

本研究提出一种基于全卷积神经网络的三级级联结构，采用多尺度全卷积网络生成得分图，使用可能区域而非建议直接连接下一级级联，通过使用得分图可以在公共数据集上获得强大的人脸检测性能。

Sep, 2016

提出了一种尺度感知网络 (SAN)，将卷积特征从不同的尺度映射到尺度不变的子空间，使基于 CNN 检测方法更具鲁棒性。该方法有效地减少了尺度空间内的特征差异，可以应用于许多基于 CNN 的检测方法中，提高检测精度并略微增加计算时间。

Aug, 2018

通过不同的可微架构搜索方法，提出的 AutoFAE 模块在人脸检测方面表现出优异的性能，并在 WIDER Face 测试中实现了 AP 96.7/96.2/92.1 的结果。

Jan, 2022

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

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

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