【DetNet】《DetNet：A Backbone network for Object Detection》

arXiv-2018

---

extra stages 没有经过 Imagenet 的洗礼，object detection 任务特有的！eg FPN 的 P6， RetinaNet 的 P6，P7

FPN 对大目标定位不准（down sampling 太多了），容易漏检小目标（特征太low，如果高层 FPN 漏掉了小目标，小目标将不会被检测）

• Maintain high spatial resolution，为了减少计算量，P6 相比 P5 channels 没有 double。
• Keeping large receptive field 则是靠 dilated convolution

DetNet-59 效果比 ResNet-101都好，参数利用率更高

为目标检测的主干，那就拿目标检测的数据集试试

DetNet 定位更加精确

• 小目标 AR50 的大幅度提升表示有效的解决了漏检问题，AR85提升不明显是因为改进前后，小目标都是从P2那里去检测，没有改进融合高级语义信息的策略的话，应该都差不多，小提升来自于 DetNet stage 5 的特征更好

• 大目标 AR50 没提升，大物体的检测能力差不多，AR85的大幅度提升表示 DetNet 让大目标的定位更加准确了

生成的新 stage，skip connection 是 identity 好还是 1x1 convolution 好？ 作者觉得后者比较好，能产生全新的 stage

可以看出 projection 比 no projection 效果好 ！！！

和 state-of-the-art 比较一下

分割的结果