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 FoveaBox 框架，一种准确，灵活且完全无锚点的物体检测方法，通过预测类别敏感的语义图和每个位置的类别不可知的边界框，避免与锚相关的计算和超参数问题。与所有先进的物体检测器不同，FoveaBox 可以直接学习物体的存在可能性和边界框坐标，因此具有更好的性能和通用性。

Apr, 2019

通过提出一种新的单次检测框架 BPN，采用双向金字塔特征结构和级联锚点细化，实现了更精确的目标检测，提高了单级物体检测器在 PASCAL VOC 和 MS COCO 数据集上的性能，特别是在高质量检测方面。

Mar, 2018

该研究提出了一种名为 FaceBoxes 的新型人脸检测器，其网络结构采用了轻量级但强大的 RDCL 和 MSCL，实现了 CPU 上的实时速度和高性能的检测，同时还具有新的锚定点密集化策略，并在多个人脸检测基准数据集上呈现出最新的检测性能。

Aug, 2017

本文提出了一种基于高质量锚点挖掘策略 (HAMBox) 的单阶段人脸检测方法，该方法能明确帮助外部面部获得高质量的锚点，并在各种数据集上表现优异。

Dec, 2019

该论文介绍了基于深度卷积网络的 Feature Pyramid Network（FPN），该网络利用深度卷积网络自带的金字塔多尺度特征，并在多种应用中取得了重大改进，尤其是在目标检测上。使用 FPN 的 Faster R-CNN 系统在 COCO 检测基准测试中取得了最先进的单模型结果。此外，该方法能够在 GPU 上以 5 FPS 的速度运行，是一种实用且准确的多尺度目标检测解决方案。

Dec, 2016

KPNet 提出了一种基于小型神经网络检测面部关键点的方法，可以快速准确地推断面部边界框的位置，其具有实时性和较高的准确率。

Mar, 2020

ObjectBox 是一种新颖的单阶段无锚点、高度通用的物体检测方法，通过仅使用对象中心位置作为正样本以及不受对象大小或形状影响地在不同的特征级别平等对待所有对象，解决了现有基于锚点和无锚点检测器在标签分配中偏向特定对象尺度的问题。

Jul, 2022

这篇论文提出了一种跳跃连接的方法，以获得特征金字塔每个层级中更强的语义，并简化了边界框回归的锚点生成方式，从而进一步提高物体检测的准确性。

Oct, 2023

本文提出了一种新的单次面部检测网络 DF $^2$ S $^2$，其引入了更有效的特征融合金字塔和在 ResNet-50 上更高效的分割支路来处理细节、遮挡和模糊等问题，并在更高级别的特征映射中应用语义信息作为上下文线索，以增强低级别特征映射，最大限度地利用检测监督信息并在自我监督的方式下，处理语义与细节之间的失衡，并在 WIDER FACE 数据集上取得了最先进的结果。

Nov, 2018