人脸检测为目标检测的特例，是商业化最早的目标检测算法，也是目前几乎各大CV方向AI公司的必争之地。
WIDER FACE数据集是由中国香港中文大学发布的大型人脸数据集，含32,203幅图像和393,703个高精度人脸包围框，该库中人脸包含尺度、姿态、表情、遮挡和光照等变化。
WIDER FACE 几乎是目前评估人脸检测算法最权威的数据集。
RetinaFace 是今年5月份出现的人脸检测算法，当时取得了state-of-the-art，作者也开源了代码，过去了两个月，目前仅以极其微弱的精度差屈居第二名，但因为第一名的AInnoFace算法（来自北京创新奇智公司）没有开源，所以目前RetinaFace可称得上是目前最强的开源人脸检测算法。
RetinaFace来自论文RetinaFace: Single-stage Dense Face Localisation in the Wild，作者来自帝国理工学院、InsightFace、Middlesex University London、FaceSoft。
相信很多朋友对InsightFace并不陌生，它是目前针对2D与3D人脸分析（含检测、识别、对齐、属性识别等）最知名和开发者最活跃的开源库。RetinaFace代码已经并入该库。
下图为在WIDER FACE 数据集上验证集三个子集的排名靠前的算法结果曲线和精度：
下图为在WIDER FACE 数据集上测试集三个子集的排名靠前的算法结果曲线和精度：
在6个子集中，RetinaFace取得1个第一名，2个并列第1名，3个以极其微弱精度差屈居于第二名。
RetinaFace使用特征金字塔网络架构：
其主要创新点在损失函数的设计。
下图说明了RetinaFace的核心思想：
在人脸检测多任务学习中，除了传统的人脸分类损失函数和包围框回归损失函数，作者额外标注了人脸 5 点信息，并以此引入人脸对齐的额外监督信息损失函数，还引入了self-supervised解码分支预测3D人脸信息分支。
集合了更多监督信息和自监督信息，是 RetinaFace 取得成功的关键。
很多时候，人脸检测是为了后续的识别，作者特意将检测结果送入人脸验证网络，在IJB-C test set上测试结果表明可以提高ArcFace的人脸验证精度(TAR=89.59% for FAR=1e-6)。
由上图可知，相对于MTCNN，在助力人脸验证上有一致性精度提高的表现。
更为难能可贵的是，使用轻量级骨干网络，RetinaFace算法在CPU上测试VGA图片可以达到实时。如下图：
论文地址：
https://arxiv.org/pdf/1905.00641.pdf
代码地址：
https://github.com/deepinsight/insightface/tree/master/RetinaFace
