摘要

尽管在无约束条件下的人脸检测领域已取得显著进展，但如何在保持高精度的同时实现计算成本低、效率高的检测，仍然是一个尚未解决的挑战。本文指出，训练数据采样策略与计算资源分配方式是实现高效且精准人脸检测的关键。基于这一观察，我们提出两种简单而有效的改进方法：（1）样本重分配（Sample Redistribution, SR），该方法基于基准数据集的统计特性，为最需要提升的阶段动态增加训练样本；（2）计算重分配（Computation Redistribution, CR），该方法通过一种精心设计的搜索机制，重新分配模型中主干网络（backbone）、颈部结构（neck）与检测头（head）之间的计算资源。在 WIDER FACE 数据集上进行的大量实验表明，所提出的 \scrfd 系列方法在多种计算资源条件下均实现了当前最优的效率-精度权衡。特别地，\scrfdf{34} 在 VGA 分辨率图像上相较于最优竞争模型 TinaFace，在硬集（hard set）上的平均精度（AP）提升了 3.86%，同时推理速度提升超过 3 倍。此外，我们已开源相关代码，以促进后续研究的发展。