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

本文介绍了一种名为 RetinaFace 的检测器，采用联合额外监督和自监督多任务学习，在各种尺度的人脸上实现了像素级别的人脸定位，并采用 5 个额外的面部标记，取得了显著的性能提升。

May, 2019

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

本研究探讨使用层次结构大减的视觉变换器（ViT）作为物体检测的骨干网络，使用最小调整实现简单的特征金字塔和窗口注意力，预训练和微调使用 ViT 和掩码自编码器，提出的模型在 COCO 数据集上达到 61.3 AP_box，与使用层次骨干网络的现有领先方法相媲美。

Mar, 2022

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

本文研究物体检测系统的速度和准确率损失函数，并通过改进模型架构、训练技术等方法，将模型的准确率提升了 7.7％，速度提升了 30％。作者继续提出了简单的缩放策略来探索速度和准确性之间的权衡，产生了两个 Pareto 曲线。最后，作者显示出 ResNet 架构在检测和实例分割系统中的性能要优于 EfficientNet。

Jun, 2021

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