论文地址：Accurate Face Detection for High Performance。
论文基于RetinaFace提出新的网络结构AInnoFace，聚焦于改善小脸的检测性能。
一、整体情况
采用的是有6-level特征金字塔结构的ResNet-152作为网络的backbone来生成多尺度的feature maps，后接两个子网络，一个用于分类backbone的输出，一个用于回归bounding box。
为解决one-stage检测方法面临的正负样本不平衡问题，论文同样引入了focal loss，
其中，代表ground-truth正负样本类别
表示预测label y=1的概率
是一个平衡因子
是一个可调节的focusing参数
二、IoU Regression Loss
这里引入的UnitBox的IoU Regression Loss，
其中，
是预测的bounding box
是ground-truth bounding box
直接优化这二者的IoU。
三、Selective Refinement Network
为解决RetinaFace在人脸检测中依然存在的两个问题：（1）低召回率；（2）低定位精度，引入了SRN（Selective Refinement Network）中STC（Selective Two-step Classification）和STR（Selective Two-step Regression）。
STC在三个浅层上做two-step的分类，以过滤大部分负样本和减少后面分类器的搜索空间。
STR在三个深层上做two-step的回归，来对anchor做进一步的调整和为后面的回归网络提供更好的初始位置信息。
其中，i是anchor的索引
是在1/2step的预测分类
是在1/2step的回归预测值
是ground truth的分类和bounding box值
是在1/2step的anchors正样本数
是输入2step的anchors样本集合
是sigmoid focal loss
表示仅在正的anchors上计算IoU Regression
四、Data Augmentation
论文除采用常规的数据增强方法外，还以50%的概率采用类似PyramidBox的data-anchor-sampling方法。
从训练图像的一个batch中随机选择一个尺度的人脸，然后找到离它最近的一个anchor尺度
，然后在
附近随机选择一个
，最后将图像以尺度
做resize并随机裁剪到训练尺寸（裁剪部分包含人脸），就得到anchor-sampled训练数据。
五、Mat-out Label
为减少假正例，论文也引入了max-out操作，具体做法是分类子网络为每个anchor预测维分数，然后再选择
和
作为最终人脸和非人脸的分数。论文设置
，
。
六、Multi-scale Testing
将图像以多种尺度分别用训练好的模型进行预测，得到检测结果之后，对bounding box进行投票得到最终结果。
七、实验结果
Anchor的设置是一个长宽比1.25，两个尺度2S和（S是检测层的下采样尺度）。最终feature map上的每个位置有A=2两个anchors，覆盖了8x362像素的人脸（输入图像1024 x 1024）。
在STC阶段设置，
。
在STR阶段设置，
。
网络的backbone使用的是在ImageNet数据集上预训练的模型，新添加的卷积层使用“xavier”随机初始化参数，optimizer是SGD，momentum 0.9，weight decay 0.0001，batch size 32。学习率的Warmup策略是开始的5个epochs从0.0003125到0.1，然后在第10和100个epochs学习率除以10，一共训练130个epochs。