STDN（Scale-Transferrable Object Detection）通过DenseNet提取特征，并提出scale-transfer layer实现大尺度特征图的生成，降低参数量和计算量。在不使用反卷积和上采样的情况下，该层通过reshape实现尺度转换，形成特征金字塔进行多尺度预测，类似于SSD但无需额外融合操作，受益于DenseNet的内置特征融合能力。
前言
1.本文重点是scale-transfer layer，尽量用较少篇幅表达清楚论文算法，其他一些不影响理解算法的东西不做赘述
2.博客主要是学习记录，为了更好理解和方便以后查看，当然如果能为别人提供帮助就更好了，如果有不对的地方请指正（论文中的链接是我经过大量搜索，个人认为讲解最清楚的参考）
创新点
1.使用DenseNet（自带高低层特征融合）作为基础网络提取特征
2.提出scale-transfer layer，在不增加参数量和计算量的前提下生成大尺度的特征图（scale-transfer layer实质是reshape，所以不增加参数量，其他算法常用反卷积和上采样来生成大特征图）
STDN
STDN全称Scale-Transferrable Object Detection，从论文名字就可以看出精髓就在尺度转换这，即scale-transfer layer
1.目标检测多尺度预测回顾
（a）只利用最后一层特征
最低0.47元/天 解锁文章
238
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
