RefineDet论文阅读

题目：用于目标检测的单发细化神经网络

对于物体检测，两阶段方法（例如，更快的R-CNN）已经实现了最高的准确性，
而一阶段方法（例如，SSD）具有高效的优点。为了继承两者的优点并克服它们的缺点。

RefineDet的主要思想：一方面引入two stage类型的object detection算法中对box的由粗到细的回归思想。
另一方面引入类似FPN网络的特征融合操作用于检测网络，可以有效提高对小目标的检测效果，检测网络的框架还是SSD。
由粗到细回归：其实就是先通过RPN网络得到粗粒度的box信息，然后再通过常规的回归支路进行进一步回归从而得到更加精确的框信息，
这也是two stage类型的object detection算法效果优于one stage类型的一个重要原因

从RefineDet网络的结构图（直观的特点就是two-step cascaded regression两步级联回归），
主要包含三个部分：anchor refinement module (ARM) 、object detection module (ODM)、transfer connection block (TCB)。

anchor refinement module (ARM)部分类似Faster RCNN算法中的RPN网络，主要用来得到bbox（类似Faster RCNN中的ROI或proposal）和去除一些负样本（这是因为负样本数量远大于正样本）。
因此基于4层特征最后得到的还是两条支路，一个bbox的坐标回归支路，另一个是bbox的二分类支路。
我们知道在Faster RCNN算法中RPN网络存在的意义就是生成proposal（或者叫ROI），这些proposal会给后续检测网络提供较好的初始信息，
这也是one stage的object detection算法和two stage的object detection算法的重要区别，
这里的anchor refinement module基本上扮演了RPN网络的角色，如果一定要说不同点的话，那应该就是这里的输入利用了多层特征，而RPN网络的输入是单层特征。

transfer connection block (TCB)部分是做特征的转换操作，也就是将ARM部分的输出feature map转换成ODM部分的输入，
这部分其实和FPN算法的特征融合很像，FPN也是这样的upsample后融合的思想。

object detection module (ODM)部分和就基本上是SSD了，也是融合不同层的特征，然后做multi class classification和regression。
主要的不同点一方面在于这部分的输入anchors是ARM部分得到的refined anchors（提纯改成的anchor），类似RPN网络输出的proposal。
另一方面和FPN算法类似，这里的浅层feature map（size较大的蓝色矩形块）融合了高层feature map的信息，然后预测bbox是基于每层feature map（每个蓝色矩形块）进行，
最后将各层结果再整合到一起。而在SSD中浅层的feature map是直接拿来用的（并没有和高层的feature map融合），也就是对bbox的预测是在每一层上进行的，
预测得到结果后再将各层结果整合在一起，这是非常重要的区别。这样做的好处就是对小目标物体的检测效果更好，这在FPN和RON等算法中已经证明过了。

其中ODM模块没有使用类似逐候选区域RoIPooling的耗时操作，而是直接通过TCB连接，转换ARM的特征，
并融合高层的特征，以得到感受野丰富、细节充足、内容抽象的特征，用于进一步的分类和回归。
因此RefineDet属于一步法，但是具备了二步法的二阶段分类、二阶段回归、二阶段特征这3个优势。
区分一步法和二步法的关键点：是否有逐区域的操作。

同是COCO数据集，可以看出RefineDet比前面的YOLOv3，RetinaNet和RFB效果都要好

速度和SSD相近，精度明显更高，精度更高没什么好说的，速度在多了下面一部分卷积层和反卷积层的情况下没有明显下降，
作者分析有两点原因，anchors较少以及基础网络后的附加网路层数少、特征选取层更少（4个，我记得SSD有5个）