Obwohl bei der Objekterkennung erhebliche Fortschritte gemacht wurden, bleibt die Erkennung kleiner Objekte eine der noch offenen Herausforderungen. In diesem Kontext untersuchen wir drei Aspekte des Problems im Hinblick auf die Erkennung kleiner Gesichter: die Rolle der Skalierungsinvarianz, der Bildauflösung und des kontextuellen Schließens. Während die meisten Erkennungsansätze darauf abzielen, skalierungsinvariant zu sein, sind die Merkmale zur Erkennung eines 3-Pixel-hohen Gesichts grundlegend anders als jene für ein 300-Pixel-hohes Gesicht. Wir verfolgen einen anderen Ansatz und trainieren separate Detektoren für verschiedene Skalen. Um die Effizienz zu gewährleisten, werden die Detektoren in einem Multi-Task-Verfahren trainiert: Sie nutzen Merkmale aus mehreren Ebenen einer einzelnen (tiefen) MerkmalsHierarchie. Obwohl das Training von Detektoren für große Objekte einfach ist, bleibt das entscheidende Problem das Training von Detektoren für kleine Objekte. Wir zeigen, dass der Kontext entscheidend ist, und definieren Vorlagen, die riesige Rezeptivfelder verwenden (wobei 99 % des Vorlagengebiets über dem Interessensobjekt liegen). Schließlich untersuchen wir die Rolle der Skalierung in vortrainierten tiefen Netzen und stellen Methoden vor, um Netzwerke, die für begrenzte Skalen optimiert sind, auf extremere Bereiche zu extrapolieren. Wir demonstrieren Stand-of-the-Art-Ergebnisse anhand umfangreich getesteter Gesichtserkennungsdatensätze (FDDB und WIDER FACE). Insbesondere im Vergleich zu früheren Arbeiten auf WIDER FACE reduzieren unsere Ergebnisse den Fehler um den Faktor 2 (unsere Modelle erzielen einen AP von 82 %, während frühere Arbeiten zwischen 29 % und 64 % liegen).