لقد شهدت تقنية كشف الوجوه تقدماً ملحوظاً بفضل التطورات في شبكات العصبونات العميقة المتشابكة (CNNs). ومن القضايا الرئيسية التي طرحت نفسها في السنوات الأخيرة كيفية تحسين أداء الكشف عن الوجوه الصغيرة جداً. وفي هذا السياق، اقترح العديد من الأعمال الحديثة استراتيجيات معينة، وأعاد تصميم الهندسة المعمارية وقدم دوال خسارة جديدة للكشف عن الأشياء الصغيرة. في هذا التقرير، نبدأ من النهج الشائع ذو المرحلة الواحدة المعروف بـ RetinaNet ونطبق بعض الحيل الحديثة للحصول على جهاز كشف وجوه ذي أداء عالٍ. وبشكل أكثر تحديداً، نقوم بتطبيق دالة الخسارة (Intersection over Union) (IoU) للتقريب، واستخدام تصنيف وتقريب ذو خطوتين للكشف، وإعادة النظر في زيادة البيانات المستندة إلى عينات الأناكرا (data-anchor-sampling)، واستخدام عملية max-out للتصنيف واستخدام استراتيجية الاختبار متعددة المقاييس للاستدلال. نتيجة لذلك، حققت الطريقة المقترحة لكشف الوجوه أفضل الأداء على مجموعة بيانات WIDER FACE الأكثر شهرة وتحدياً في مجال كشف الوجوه.