yolo怎么实现先获得感兴趣区域，再对区域进行目标检测？

想学习论文中的这一步是怎么实现的？yolo怎么实现先获得感兴趣区域，再对区域进行目标检测？

论文里不是说用改进的retinaface网络提取的人脸感兴趣区域吗？不是用的yolo啊。