[NAS-Det]DetNet

论文链接：DetNet: A Backbone network for Object Detection
ECCV2018

---

一个专门为物体检测任务而设计的 Backbone——DetNet

---

论文主要是讨论设计检测的backbone

考虑到分类问题和检测问题之间的差异，使用分类的backbone来做分类任务有两个问题：

• 最新的检测器与分类的backbone相比，为了获取多样的sizes，基本都增加了额外的stages。
• 传统的backbone基于大的下采样倍数，以获取更大的感受野，这有利于图像的分类，但不利于目标的精确定位、识别小物体。

提出新的backbone，DetNetDetNet包含了额外的层，不仅保留了高分辨率的特征，而且保留了大的感受野。

---

DetNet

Resnet50 作为baseline，共有stage1-5。DetNet保留ResNet的 1-4stage ,在stage 4 之后就固定下采样倍数为16x，增加了额外的stage 6。
其设计细节如下：

• stage4-6这三个stage的stride都是16，而ResNet50的stage5的特征图是原图尺寸的1/32，见图1
• 提出了dilated bottleneck，分成A和B两种，见图2-D；
• dilation技术增大了感受野，然而考虑到计算量和内存，stage5和stage6保持了相同的通道数目（256的输入通道，而不是像传统的backbone一样，每个阶段通道数增加一倍）

---

Result

为了进一步检验DetNet在目标检测上的性能，基于DetNet-59和ResNet-50的FPN从头进行训练，也就是说不使用ImageNet上的预训练参数对比，这也就进一步证明了DetNet更适合于目标检测。