물체 인식 분야에서 큰 발전이 이루어졌지만, 아직 해결되지 않은 주요 과제 중 하나는 작은 물체를 감지하는 것입니다. 본 연구에서는 작은 얼굴을 찾는 맥락에서 이 문제의 세 가지 측면을 탐구합니다: 크기 불변성(scale invariance), 이미지 해상도(image resolution), 그리고 문맥 추론(contextual reasoning)의 역할입니다. 대부분의 인식 접근법은 크기 불변성을 목표로 하지만, 3픽셀 높이의 얼굴을 인식하기 위한 힌트는 300픽셀 높이의 얼굴을 인식하기 위한 힌트와 근본적으로 다릅니다. 우리는 다른 접근 방식을 취하여 서로 다른 크기에 대해 별도의 검출기를 훈련시킵니다. 효율성을 유지하기 위해, 검출기는 단일(깊은) 특징 계층에서 여러 계층으로 추출된 특징들을 활용하여 다중 작업 방식으로 훈련됩니다. 큰 물체에 대한 검출기를 훈련시키는 것은 직관적이지만, 작은 물체에 대한 검출기를 훈련시키는 것이 핵심적인 도전 과제입니다. 우리는 문맥이 매우 중요하다는 점을 보여주고, 관심 대상 물체를 벗어난 영역이 99%인 대규모 수용 필드(massively-large receptive fields)를 활용한 템플릿을 정의합니다. 마지막으로, 사전 훈련된 깊은 네트워크에서 크기가 차지하는 역할을 탐구하며, 제한된 범위의 스케일에 최적화된 네트워크를 극단적인 범위로 외삽하는 방법을 제공합니다. 우리는 FDDB와 WIDER FACE와 같은 대규모 벤치마크 얼굴 데이터셋에서 최신 기술 수준의 결과를 보여줍니다. 특히 WIDER FACE 데이터셋에서 이전 연구들과 비교했을 때, 우리의 결과는 오류를 2배 줄이는 것으로 나타났습니다(우리 모델은 AP가 82%인 반면 이전 연구들은 29-64% 범위입니다).