摘要

得益于通用目标检测器的开创性设计，人脸检测领域已取得显著进展。通常，人脸检测器中的主干网络（backbone）、特征金字塔层以及检测头模块均借鉴了通用目标检测器的优秀经验。然而，一些在通用目标检测中行之有效的方法，如标签分配策略和尺度级别数据增强策略，在直接应用于人脸检测时却难以保持一致的优越性。具体而言，前者涉及大量超参数，调优复杂；后者则面临不同检测任务间尺度分布偏差的挑战，二者均限制了方法的泛化能力。此外，为向下游人脸任务提供精确的人脸边界框，人脸检测器必须有效消除误检（false alarms）。因此，针对标签分配、尺度级别数据增强以及降低误检等问题，亟需提出切实可行的解决方案，以推动人脸检测技术的进一步发展。本文聚焦于上述现有方法难以有效解决的三大挑战，提出一种新型人脸检测器——MogFace。在MogFace中，我们分别设计了三个关键组件：自适应在线增量式锚框挖掘策略（Adaptive Online Incremental Anchor Mining Strategy）、选择性尺度增强策略（Selective Scale Enhancement Strategy）以及分层上下文感知模块（Hierarchical Context-Aware Module），以全面提升人脸检测性能。据我们所知，MogFace在Wider Face排行榜上表现最佳，在不同测试场景下均取得全面领先，斩获全部冠军。相关代码已开源，地址为：\url{https://github.com/damo-cv/MogFace}。