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

本文通过在两种已经小巧而紧凑的人脸检测器上实现了滤波剪枝，名为 EXTD（极小型人脸检测器）和 EResFD（高效 ResNet 人脸检测器）。利用几何中位数（FPGM）的滤波剪枝主要算法，结合软滤波剪枝（SFP）的迭代过程。此外，我们还应用 L1 范数剪枝作为与所提出方法进行比较的基准。在 WIDER FACE 数据集上的实验评估表明，所提出的方法在不损失模型准确性的情况下，甚至可以在低剪枝速率下进一步减小已经轻量级的人脸检测器的模型大小。

Nov, 2023

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

该论文探讨了物体识别中探测小物体的挑战，重点考察了尺度不变性、图像分辨率、语境推理等方面，并通过训练深度网络实现了在小脸检测方面的突破，在 FDDB 和 WIDER FACE 数据集上实现了优异的结果。

Dec, 2016

通过 Tiny and Efficient Edge Detector (TEED) 这个轻型的卷积神经网络模型，以低于 0.2% 的参数量及训练时间（少于 30 分钟）实现了高质量、高效率、泛化能力强的边缘检测。

Aug, 2023

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

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

本文介绍了 EdgeFace，这是一种轻量级高效的人脸识别网络，它结合了 CNN 和 Transformer 模型的优势，使用低秩线性层优化了计算性能，适用于边缘设备，并在多个领域取得了理想的人脸识别结果。

Jul, 2023

本文系统地研究了神经网络结构设计选择以提高计算机视觉中目标检测的模型效率，提出多个优化方案，包括带权重的双向特征金字塔网络、统一调整骨干网络、特征网络、盒类预测网络的分辨率、深度和宽度的复合调节方法，成功开发了名为 EfficientDet 的新一代目标检测器，拥有更高的性能和更小的计算量。

Nov, 2019