人臉檢測為目標檢測的特例，是商業化最早的目標檢測算法，也是目前幾乎各大 CV 方向 AI 公司的必爭之地。

WIDER FACE 數據集是由香港中文大學發布的大型人臉數據集，含 32,203幅圖像和 393,703 個高精度人臉包圍框，該庫中人臉包含尺度、姿態、表情、遮擋和光照等變化。

WIDER FACE 幾乎是目前評估人臉檢測算法最權威的數據集。

RetinaFace 是今年 5 月份出現的人臉檢測算法，當時取得了 state-of-the-art，作者也開源了代碼，過去了兩個月，目前僅以極其微弱的精度差屈居第二名，但因為第一名的 AInnoFace 算法（來自北京創新奇智公司）沒有開源，所以目前 RetinaFace 可稱得上是目前最強的開源人臉檢測算法。

RetinaFace 來自論文《RetinaFace: Single-stage Dense Face Localisation in the Wild》，作者來自帝國理工學院、InsightFace、Middlesex University London、FaceSoft。

相信很多朋友對 InsightFace 并不陌生，它是目前針對 2D 與 3D 人臉分析（含檢測、識別、對齊、屬性識別等）最知名和開發者最活躍的開源庫。RetinaFace 代碼已經并入該庫。

下圖為在 WIDER FACE 數據集上驗證集三個子集的排名靠前的算法結果曲線和精度：

下圖為在WIDER FACE 數據集上測試集三個子集的排名靠前的算法結果曲線和精度：

在 6 個子集中，RetinaFace 取得 1 個第一名，2 個并列第一名，3 個以極其微弱精度差屈居于第二名。

RetinaFace 使用特征金字塔網絡架構：

其主要創新點在損失函數的設計。

下圖說明了 RetinaFace 的核心思想：

在人臉檢測多任務學習中，除了傳統的人臉分類損失函數和包圍框回歸損失函數，作者額外標注了人臉 5 點信息，并以此引入人臉對齊的額外監督信息損失函數，還引入了 self-supervised 解碼分支預測 3D 人臉信息分支。

集合了更多監督信息和自監督信息，是 RetinaFace 取得成功的關鍵。

很多時候，人臉檢測是為了后續的識別，作者特意將檢測結果送入人臉驗證網絡，在 IJB-C test set 上測試結果表明可以提高 ArcFace 的人臉驗證精度 (TAR=89.59% for FAR=1e-6)。

由上圖可知，相對于 MTCNN，在助力人臉驗證上有一致性精度提高的表現。

更為難能可貴的是，使用輕量級骨干網絡，RetinaFace 算法在 CPU 上測試 VGA 圖片可以達到實時。如下圖：