一、核心思路
人臉檢測任務與通用目標檢測是一派任務，檢測上的tricks均可以在人臉領域測試使用。
①使用retinanet作為基本結構，輕量級backbone，輕量級fpn結構，
②加入了iou預測分支
③使用inception模塊帶來多尺度感受野，增加dcn模塊進行靈活卷積
④框損失使用Diou-loss，使用GN代替BN。
網絡結構如圖：
二、方法解讀
①使用DCN，通過改變采樣位置達到把注意力聚焦目標本身的目的，動態調整感受野；
加入inception模塊，即多尺度多感受野，檢測出各種尺度的人臉
②Iou分支，加入iou分支在推理的時候，NMS的score依據更完善。解除分類分數和框質量之間的不匹配。
③Diou-loss，各種IOU-LOSS變體詳見知乎鏈接，diou-loss就是既考慮了box四個點的相關性，又考慮了兩框相交的各種形式，再加上中心點懲罰項形成的較完善的Iou-loss形式。
三、實驗結果
消融實驗，策略組合的情況
幾種策略或多或少均有提升。
當前SOTA模型的對比：
總體來說，借鑒通用目標檢測領域的各種有效tricks，簡單而實用地提升了人臉檢測的效果，幾乎達到了目前最高的水平。