论文：https://arxiv.org/pdf/2105.04714.pdf
代码：
论文工作
指出训练数据采样和计算分布策略（training data sampling and computation distribution strategies）是高效和准确的人脸检测的关键，基于此提出：
（1）样本再分配(Sample Redistribution, SR)，基于基准数据集的统计，在最需要的阶段增加训练样本;
（2）计算再分配(computing Redistribution, CR)，它基于一种精心定义的搜索方法，在模型的脊柱、颈部和头部之间重新分配计算。
论文第一张图很重要，旨在表明SCRFD的计算量少，效果却非常好：
在困难的WIDER FACE 数据集样本里，一骑绝尘。
Sample Redistribution
作者发现在WIDER FACE难样本数据集里，人脸大小 小于32*32 pixels 的占有78.93%：
TinaFace基于RetinaFace，使用ResNet-50 + (FPN) +Focal loss+ Focal loss + cross-entropy loss。 TinaFace-ResNet50 的计算分布如下图，大部分计算成本在stride 4 。TinaFace-ResNet50计算量太大，不太好用。
通过修改随机尺寸到 [0.3, 2.0] ，在stride 8 中产生更多的正样本。 随着将更多的训练样本重新分配到小尺度上，可以更充分地训练用于检测微小人脸的分支。
Computation Redistribution
借助 凯明大神的Designing Network Design Spaces，将计算重新分配到脊柱、颈部和头部。
首先，作者同时固定颈部和头部组件，探讨了计算在主干部分中的重新分配。其次，根据作者发现的主干上的优化计算分布，进一步探讨了计算在脊柱、颈部和头部的重新分配。
具体细节挺复杂，直接看论文描述。