自动可伸缩人脸检测器
本文提出了一种名为 “Dual Shot Face Detector (DSFD)” 的新型人脸检测网络，通过三个关键方面的改进：改善特征学习、优化损失设计、数据增强，达到了超越现有人脸检测器的效果。
Oct, 2018
本文提出了一种名为 ACFD 的不对称卡通脸检测器，它由多个不对称单次聚合模块 (AOSA) 组成的新颖骨干 VoVNetV3，不对称双向特征金字塔网络 (ABi-FPN)，动态锚点匹配策略 (DAM) 和相应的边际二元分类损失 (MBC) 等模块组成。使用这些模块，我们在不使用任何预训练模型且模型大小为 200MB、推断时间为 50ms 每张图像的条件下，取得了 2020 年 iCartoon Face 挑战赛检测赛道的第一名。
Jul, 2020
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
本文提出使用 Feature Fusion with Different Norms (FFDN)，利用多重尺度的丰富全局上下文信息和垂直池化模块来减少在垂直方向上全局上下文编码的复杂度。在城市风景测试数据集上，平均交互并集（mIoU）为 73.1，每秒帧数（FPS）为 191，与目前最先进的结果相当。
Oct, 2022
本文中，我们提出了一种名为 FANet 的新型单阶段人脸检测器，它不仅实现了最新的性能，而且运行效率高。此外，我们还提出了一种分层损失来有效地训练 FANet 模型，并在几个公共人脸检测基准测试集上评估了所提出的 FANet 检测器，包括 PASCAL face、FDDB 和 WIDER FACE 数据集，在这些基准测试集上都获得了最新的结果。
Dec, 2017
提出了一种高效的一级检测器 CFENet，它引入了全面特征增强模块，并在 CVPR2018 路标检测竞赛中获得了第二名。实验结果表明 CFENet 对小物体的检测性能优于原有的 SSD 和最先进的 RefineDet 方法，同时保持了较高的检测效率
Jun, 2018
本文提出了一种基于特征选择锚点的：Feature Selective Anchor-Free (FSAF) 模块，它是一种可以插入特征金字塔结构的单镜头目标检测器构建模块，通过多级无锚点分支来在线选择特征以训练模型，并具有较高的检测准确性和速度。实验结果表明，FSAF 模块与 RetinaNet 效果相比显著提高，在 COCO 数据集上实现了 44.6% 的 mAP，成为目前所有现有单镜头检测器中表现最佳的模型。
Mar, 2019