论文：RetinaFace: Single-stage Dense Face Localisation in the Wild

官方代码：https://github.com/deepinsight/insightface/tree/master/detection/retinaface，是用 Mxnet 实现的。

pytorch版本代码：https://github.com/biubug6/Pytorch_Retinaface

总结：

（1）不仅实现了人脸检测，还实现了人脸关键点检测；

（2）是一个 anchor-base 的方法；

摘要：

RetinaFace 利用联合超监督和自我监督多任务学习的优势，对不同尺度的人脸进行像素级的人脸定位；

主要贡献：

（1）我们在WIDER FACE数据集上手动标注了5个面部标志，并观察到在这个额外监督信号的帮助下，hard脸检测的显著改进。

(2)我们进一步添加一个自监督网格解码器分支，以预测像素级三维形状面信息与现有的监督分支并行。

介绍：

主要贡献：

（1）单阶段方法，像素级的人脸定位，该算法采用多任务学习策略，同时预测人脸评分、人脸框、五个面部地标以及每个人脸像素的三维位置和对应关系；

（2）在WIDER FACE数据集的 hard子集中的AP值，胜过双阶段的方法；

（3）在IJB-C数据集上，RetinaFace能帮助提高ArcFace的精度，这表明更好的人脸检测方法能提高人脸识别的进度；

（4）提供了一个轻量化的人脸骨干网络，可以在CPU上实时运行。

（5）已经发布了额外的注释和代码，以促进未来的研究

网络结构：

 其中，context modules 不是很懂。

损失函数：

 一共有4个相关的损失函数，分别为分类损失，box回归损失，面部关键点回归损失，稠密回归损失。

分类损失：使用的是二进制的softmax损失

box回归损失：使用的是smooth-L1损失

训练细节：

实验：