BlazeFace 是一个轻量且表现良好的人脸检测器，适用于移动 GPU 推理，能够以 200-1000+FPS 的速度运行。它可应用于需要准确面部区域的增强现实流水线，作为 2D / 3D 面部关键点或几何估计，面部特征或表情分类以及面部区域分割的输入。我们的贡献包括一个轻量级的特征提取网络、一个从 SSD 修改的 GPU 友好型锚点方案以及一种改进的连接决策策略。

Jul, 2019

本研究通过 Balanced-data-anchor-sampling、Dual-PyramidAnchors 和 Dense Context Module 等技术的应用，提出了 PyramidBox++ 算法用于进一步提高人脸检测性能，取得了最佳性能。

Mar, 2019

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

该论文提出了一种名为 CenterFace 的一阶段方法，可在有限的存储空间和低计算能力的边缘设备上以实时速度和高精度同时预测面部框和地标位置，其可以优秀地应用于人脸检测和对齐等场景。

Nov, 2019

该论文介绍了一个新型的深度学习框架 Evolving Boxes，可以快速从交通监控摄像头中检测车辆，包括轻量级的候选框网络和精细调整网络，以及不同的特征融合技术，相比 Faster RCNN 在 DETRAC 基准测试中提高了 9.5% 的 mAP，可以在商业 GPU 上以 9-13 FPS 的检测速度运行。

Feb, 2017

利用深度学习技术提高了 faster RCNN 的性能，实现人脸检测领域的最新技术并在 FDDB 数据集上表现出优异的 ROC 曲线。

Jan, 2017

本文提出了一种名为 FDNet1.0 的面部检测详细设计的 Faster RCNN 方法，通过多尺度训练、多尺度测试、轻量级 RCNN、推理技巧和基于投票的集成方法，实现了在 WIDER FACE 验证数据集（易于设置、中等设置、困难设置）三项任务中的两个第一名和一个第二名。

Feb, 2018

提出了一种基于 Faster R-CNN 的深度人脸检测方法，通过新的多任务损失函数设计、在线困难样本挖掘和多尺度训练策略等多种技术手段，名为 Face R-CNN 的方法在 FDDB 和 WIDER FACE 两个人脸检测基准测试中证明了在多方面的优越性。

Jun, 2017

本文提出了一种针对边缘设备的轻量级和高速人脸检测器，其方法是基于无锚点的一阶段检测，通过重新考虑感受野和有效感受野（ERF）之间的关系来实现多尺度的连续人脸检测。综合实验结果表明，该方法在多个数据集上取得了更高的准确度和更快的推断速度。

Apr, 2019

本文提出了一种使用深度神经网络技术实现的、适用于各种人脸检测和识别的解决方案，包括面部检测、特征定位和人脸验证等环节，并在许多测试数据集上达到了最新水平。

Sep, 2018