本文研究面部识别在复杂环境下遇到的问题，并提出了针对模糊场景、低光照下的图像预处理模块，RetinaFace-mnet-faster 检测及置信度阈值规定加速面部识别，以及 HNSW 搜索机制加速大规模数据集的单帧检测的方法。实验证明，通过我们的方法得到的面部识别速度比暴力检索快 82%。

Sep, 2020

本文提出一种改进的单发检测器 RetinaMask，通过集成实例掩码预测、改进稳定的损失函数和增加训练时的困难样本等方式，将单发检测器的检测精度提高到和两阶段检测器相同的水平，COCO 测试结果显示，在保持相同运行时间的情况下，RetinaMask-101 模型的平均精度值 mAP 达到了 41.4，高于 RetinaNet-101 模型的 39.1。

Jan, 2019

本篇研究通过 Intersection over Union (IoU) 回归的损失函数，两步分类和回归的检测方法，数据基于数据锚采样的增强，采用分类的最大输出操作，并且采用多尺度的测试策略在一个阶段的 RetinaNet 方法中应用一些技巧，从而获得高性能的人脸检测器。实验表明该算法在 WIDER FACE 数据集上的表现优于现有算法。

May, 2019

RetinaTrack 是一种用于自动驾驶的联合的、简单而高效的多目标跟踪和目标检测模型，相较于当前业界最先进的跟踪算法有更好的表现且需要更少的计算量。

Mar, 2020

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

本研究提出了一种轻量且准确的面部检测算法 LAFD（基于 Retinaface）。该算法中的主干网络是修改的 MobileNetV3 网络，调整了卷积核的大小、反向残差块的通道扩展乘数以及 SE 注意机制的使用。在上下文模块中引入了可变形卷积网络（DCN），并使用焦点损失函数作为模型的分类损失函数，而不是交叉熵损失函数。在 WIDERFACE 数据集上的测试结果表明，LAFD 的平均准确率分别为 94.1％，92.2％和 82.1％，对应于 “easy”，“medium” 和 “hard” 验证子集，相对于 Retinaface 分别提高了 3.4％，4.0％和 8.3％，相对于轻量级模型 LFFD 分别提高了 3.1％，4.1％和 4.1％。如果将输入图像预处理并缩放到 1560 像素的长度或 1200 像素的宽度，该模型在 “hard” 验证子集上可以达到 86.2％的平均准确率。该模型很轻量，仅有 10.2MB 的大小。

Aug, 2023

本文提出了一种新颖的 Retina U-Net 结构，以提高小型医学图像数据集中目标检测效率，该结构自然地将单级探测器与医学图像语义分割中广泛使用的 U-Net 架构相结合，并通过补充对象检测与语义分割形式的辅助任务来重新捕获监督信号，从而取得更好的检测效果。

Nov, 2018

使用深度卷积神经网络 (CNN) 的 HyperFace 算法能够同时进行面部检测、标志定位、姿势估计和性别识别，是一种基于多任务学习的算法，通过融合深度 CNN 的中间层并锁定不同任务之间的协同作用来提高算法的效率和精度，此外，HyperFace 还提供了两个变种：结合了 ResNet-101 模型的 HyperFace-ResNet 和高召回率快速面部检测器的 Fast-HyperFace。

Mar, 2016

本文提出了一种定制的轻量级背骨网络 (BLite) 和一种轻量级人脸检测器 (FDLite)，采用常用的损失函数和学习策略进行训练，并在 WIDER FACE 验证数据集的不同子集上分别达到了 92.3%、89.8% 和 82.2% 的平均准确率 (AP)。

Jun, 2024

本文介绍了一种名为 MaskFace 的高精度人脸和关键点检测模型，该模型通过多任务模型同时解决人脸检测和关键点定位问题，并在多个任务数据集上实现了良好的性能。

May, 2020