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

该研究提出了一种名为 SSD 的方法，使用单个深度神经网络在图像中检测对象，在特征映射位置上将边界框的输出空间离散化为一组具有不同宽高比和尺度的默认框，利用不同分辨率的多个特征图进行预测，并结合了对象分类的得分和对每个初始框进行微调。该方法相对于其他需要对象提议的方法来说更为简化并具有相当准确性。

Dec, 2015

本文提出了一种基于卷积神经网络的 Deep Dense Face Detector (DDFD) 方法，不仅不需要姿态或者地标注释，而且能够探测多个视角下人脸的位置，并且表现出与其他方法相当或优于其他更为复杂的方法。

Feb, 2015

本文提出了一种增强了 SSD 的神经网络模型 FSSD，通过轻量级的特征融合模块，能够有效地将不同尺度下的特征图融合并输入到多框检测器中进行物体检测，从而提高检测精度，同时保证了检测速度。实验表明，相较于传统的 SSD 等许多对象检测算法，FSSD 在准确度和速度两方面都有较明显的提升。

Dec, 2017

本文提出一种使用单个深度卷积神经网络进行人脸检测，人脸对齐，姿态估计，性别识别，微笑检测，年龄估计和人脸识别的多用途算法，通过多任务学习框架实现了对 CNN 模型的共享参数的规范化，并在不同领域和任务之间建立协同关系，实验结果表明该网络对人脸具有更好的理解，并在大多数任务方面实现了最先进的结果。

Nov, 2016

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

本研究提出了一种新的目标检测方法，通过使用 Residual-101 和 SSD 结合，再结合反卷积层来增加大规模语境，提高小目标检测的准确性，并通过在 PASCAL VOC 和 COCO 数据集上进行测试，取得了比当期最先进的方法还要优异的成果。

Jan, 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

该论文提出了一种新的深度神经网络用于目标检测，称为 ASSD；该网络在特征图的空间中建立特征关系，并通过全局关系信息学习突出特征图上的有用区域，抑制不相关信息；与有关 CNN 图层精细调整特征图的方法相比，ASSD 在设计上更为简单、计算上更为高效；实验结果表明，ASSD 与 SSD、DSSD、FSSD 和 RetinaNet 等现有方法相比具有竞争优势。

Sep, 2019

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