日本东北大学重新访问单阶段人脸检测（更准确单阶段人脸检测网络）

唉，每天都在看论文，年轻的小伙子们是不是都和我一样，我天天看的头发已经快要秃完了，这辈子注定不能拥有一颗完美的头，希望你们也加油，加油像我一样，大家一起单身多好，是不是？
废话不多说，上重点
首先附上论文链接：https://arxiv.org/pdf/1902.01559v1.pdf
对于现有的目标检测来说，主要分为one stage 和two stage两种，人脸检测也是同样的道理，一般two stage会具有更高的精度，这种方法更倾向于让网络线生成大量的目标候选区域和特征(比如Faster-RCNN),但是单阶段算法往往会具有更快的速度，在实际工程中这是非常重要的。这篇文章的作者就是希望能够改进单阶段人脸检测算法，使其具有速度和精度的优势。
单阶段方法从一个基本的的网络中来提取卷积层的若干深度特征图，每个深度特征图与一组预先定义好的锚点相关联。然后在这些特征图上面执行卷积操作，以便于直接执行分类和回归任务。
受SSD,SFD和SSH的启发，我们构建了一个简单的单阶段模型，以ResNet-101主干作为人脸检测的基线，在调查了基线模型后，我们将高误报率归因于以下原因：
1.缺少上下文信息。首先由于分辨率低，小面孔似乎缺少决定性的面部特征。此外，在较浅的锚相关层中，小面对应的特征图的上下文信息比在深层的更少。因此小规模的人脸很难检测，所以大的接受域可以增加检测小面孔的上下文信息。
2.非常大的接受域。过大的接受域可能会为检测提供冗余信息，从而增加假阳性率
3.用于检测中的分类和回归任务的共享特征图。
4.每个地面真值框和特征图中的每个单元格的密集锚点。
所有的这些因素都降低了单级模型中ResNet骨干的容量。在此我们提出来几个简单有效的策略来降低单阶段模型的假阳率，该模型是基于ResNet-101人脸检测

改进策略：
Detection 模块分类和回归任务分离：
接下来就是损失函数了：