【目标检测】|RFB ECCV2018

提出了一种新的感受域块(RF Block, RFB)模块，通过模拟人类视觉的感受野加强网络的特征提取能力，在结构上RFB借鉴了Inception的思想，主要是在Inception的基础上加入了dilated卷积层（dilated convolution），从而有效增大了感受野（receptive field）。该模块考虑了感受域的大小和偏心度之间的关系，以提高特征的可分辨性和鲁棒性。

1、不同尺寸卷积核的卷积层构成的多分枝结构，这部分可以参考Inception结构。在Figure2的RFB结构中也用不同大小的圆形表示不同尺寸卷积核的卷积层。

2、引入了空洞dilated卷积层，空洞卷积层之前应用在分割算法Deeplab中，主要作用也是增加感受野，
在Figure2的RFB结构中用不同rate表示dilated卷积层的参数。在RFB结构中最后会将不同尺寸和rate的卷积层输出进行concat，达到融合不同特征的目的。在Figure2的RFB结构中用3种不同大小和颜色的输出叠加来展示。

在Figure2的最后一列中将融合后的特征与人类视觉感受野做对比，从图可以看出是非常接近的，这也是这篇文章的出发点，换句话说就是模拟人类视觉的感受野进行RFB结构的设计。

Figure4是两种RFB结构示意图。（a）是RFB，整体结构上借鉴了Inception的思想，主要不同点在于引入3个dilated卷积层（比如33conv, rate=1），这也是这篇文章增大感受野的主要方式之一。（b）是RFB-s。RFB-s和RFB相比主要有两个改进，一方面用33卷积层代替55卷积层，另一方面用13和31卷积层代替33卷积层，主要目的应该是为了减少计算量，类似Inception后期版本对Inception结构的改进。

https://zhuanlan.zhihu.com/p/48424466