目标检测论文（尤其针对一些小目标的可能改进方法）

------------------------------------------------------------------------
About Face detection
------------------------------------------------------------------------
1、Finding Tiny Faces
    Code：https://github.com/peiyunh/tiny
    小目标检测难3大原因：目标本身尺度变化、图像分辨率以及环境因素。本文针对多尺度训练了不同的检测器，这些检测器所用特征来自同一网络的不同层级。此外，还充分利用了目标周边信息。

2、Seeing Small Faces from Robust Anchor’s Perspective
    基于anchor设计原理解决小脸检测不到的问题。

3、Face-MagNet: Magnifying Feature Maps to Detect Small Faces
    Code：https://github.com/po0ya/face-magnet
    基于Faster-RCNN框架提出Face-MagNet网络（在人脸建议和分类前放大特征图的判别能力）而无需任何跳过或残差连接。在RPN中和ROI前都加了一组反卷积层。另外，评估了其他3种针对尺度问题而有较好调整架构的方法：context pooling, skip connections, and scale partitioning.

4、Detecting and counting tiny faces
    Code：https://github.com/alexattia/ExtendedTinyFaces
    对Finding Tiny Faces这篇文章的深入理解，类似的方法。

5、SSH: Single Stage Headless Face Detector
    Code：https://github.com/mahyarnajibi/SSH
    单阶段检测器，速度快，占用内存少，在不同深度的网络层进行人脸检测，用于检测大、中、小人脸。

6、S3FD: Single Shot Scale-invariant Face Detector
    Code：https://github.com/sfzhang15/SFD
    (1) proposing a scale-equitable face detection framework to handle different scales of faces well.
    (2) improving the recall rate of small faces by a scale compensation anchor matching strategy.
    (3) reducing the false positive rate of small faces via a max-out background label.

7、Multi-Path Region-Based Convolutional Neural Network for Accurate Detection of Unconstrained “Hard Faces”
    a two-stage cascaded face detection framework：
    (1) a Multi-Path Region Proposal Network(MP-RPN),利用3个平行特征图的输出预测不同尺度的候选人脸区域，嵌有带有上采样过滤的卷积层和新提出的产生“难”例采样层。
    (2) a Boosted Forests classifier，利用候选人脸区域内的深