摘要
面部检测由于深度卷积神经网络（CNNs）的发展取得了显著进展。近年来，其核心问题是如何提高对小尺寸面部的检测性能。为此，许多近期的研究提出了一些特定的策略，重新设计了架构并引入了新的损失函数以改善小目标检测的效果。在本报告中，我们从流行的单阶段RetinaNet方法出发，应用一些最新的技巧来获得高性能的面部检测器。具体而言，我们在回归任务中采用了交并比（Intersection over Union, IoU）损失函数，使用两步分类和回归进行检测，基于数据锚点采样（data-anchor-sampling）重新审视了数据增强方法用于训练，利用最大输出操作（max-out operation）进行分类，并在推理过程中采用了多尺度测试策略。因此，所提出的面部检测方法在最具挑战性和最受欢迎的WIDER FACE数据集上达到了最先进的性能。