顔検出の分野では、制御不能な状況下での顔検出において著しい進展が見られつつあるものの、計算コストが低くかつ高精度を実現する効率的な顔検出は依然として未解決の課題である。本論文では、訓練データのサンプリング戦略および計算資源の配分戦略が、効率的かつ高精度な顔検出の鍵であることを指摘する。この観察に基づき、以下の2つのシンプルでありながら有効な手法を提案する。(1) サンプル再配分（Sample Redistribution, SR）：ベンチマークデータセットの統計情報をもとに、最も必要な段階に訓練サンプルを増強する手法。 (2) 計算再配分（Computation Redistribution, CR）：モデルのバックボーン、ネック、ヘッド間での計算負荷を、詳細に定義された探索手法に基づいて再配分する手法。WIDER FACEデータセット上で実施した広範な実験により、提案する\scrfdファミリが、さまざまな計算リソース環境において最先端の効率性と精度のトレードオフを達成することが示された。特に、\scrfdf{34}は、ハードセットにおけるAP（平均精度）で最良の競合手法であるTinaFaceを3.86%上回り、VGA解像度の画像をGPU上で処理する際には3倍以上高速であることを確認した。また、今後の研究を促進するため、本研究のコードを公開する。