Recurrent scale approximation for objrct detectiong in CNN

该论文发表在ICCV2017，最初针对人脸多尺度变化检测问题，但在一些一般的场景下也能达到不错的效果(用航天图像测一波)

1.针对问题

CNN天生缺乏处理大尺度变化的情况

2.解决方案

1.采取了尺度估计模型RSA(recurrent scale approximation)解决此问题，一次性计算feature map，并且用这些图来估计其他尺度上的feature map。RSA模型的核心在于递归展开机制(recurrisive rolling out mechanism)，即利用比当前尺度大一倍的特征图来估计当前的feature map。
2.设计一个sacle-forecast网络来全局预测潜在的尺度，只计算必要尺度的feature map，避免计算所有金字塔中的所有尺度的feature map
3.提出关键点回溯网络LRN(andmark retracing network），对feature map上预测的关键点进行可信度评价。能够消除RSA产生的累计错误。

3.三种多尺度探测方法

(a)单尺度检测器+多尺度输入图像:不同尺度的图片resize不同比例得到固定尺度独立进行一次的detect，召回率取决于原图采样的尺寸是否足够密集，缺点计算量大。这种方式在深度学习流行之前常被使用，但是只针对于一些特定的scale，并且一般使用的是人工特征。
(b)多尺度检测器+单尺度输入图像:原图前传一次然后同时从不同