OpenVINO的模型庫中有多個人臉檢測模型，這些模型分别支援不同場景與不同分辨率的人臉檢測，同時檢測精度與速度也不同。下面以OpenVINO2020 R04版本為例來逐一解釋模型庫中的人臉檢測，清單如下：
從清單中可以看出骨幹特征網絡主要是MobileNetv2與SqueezeNet兩種支援實時特征網絡，ResNet152是高精度的特征網絡，檢測頭分别支援SSD、FCOS、ATSS。
深度可分離卷積
看懂上面的三張圖就好拉！
殘差網絡模型在2015年提出，OpenCV從3.3版本開始支援，相關的論文如下：
該模型與MobileNet網絡都是支援移動端/端側可部署的模型，2016提出，相關論文如下：
模型結構
根據不同的檢測頭，組合生成不同的對象檢測模型，這裡三種常見的檢測模型：
SSD論文中給出的是基于VGG-16作為backbone網絡的，替換VGG為MobileNetV2，然後從第12個權重層開始提取特征到第14或者15個權重層，針對anchor預測與類别預測完成回歸與分類損失計算，實作對象檢測模型訓練。
跟YOLOv1相似是一個anchor-free的網絡模型
多了一個中心輸出來壓制低品質的bounding box輸出。
ATSS的全稱是自适應訓練樣本選擇，
作者首先對比了RetinaNet與FCOS兩種對象檢測方法，發現對象檢測在回歸階段的本質問題是如何選擇正負樣本，解決樣本不平衡性問題，進而提出了一種新的正負樣本選擇定義方法-自适應訓練樣本選擇（ATSS）。流程如下：
該方法可以獲得更好的對象檢測精度與mAP，适用RetinaNet與FCOS等對象檢測網絡。實際實驗資料對比：
上面的OpenVINO的人臉檢測模型清單中，MobileNetv2 + SSD/FCOS适用于速度優先，不同分辨率的場景，ResNet152 + ATSS是OpenVINO模型庫中的精度最高的人臉檢測預訓練模型。下面我們就通過代碼分别測試FCOS與ATSS兩種檢測模型的檢測效果比較，針對同一張測試人臉圖像，圖示如下：
統一調整門檻值為0.25，推理時間與檢測人臉總數的對比圖如下：
最終分别得到測試圖像如下：
FCOS
ATSS
學習OpenCV + OpenVINO系統化課程，請看這裡：
OpenVINO計算機視覺模型加速 實戰教程