DetNet: A Backbone network for Object Detection论文笔记

DetNet是又旷视和清华共同研发的网络结构。

论文中提到DetNet贡献主要为以下三个方面：

1、第一个分析传统的ImageNet预训练模型的内在缺陷的对象探测器微调。

2、提出了一种新的网络结构——DetNet==>专门为目标检测任务设计的通过保持空间分辨率和扩大接受域。

3、在基于第复杂度DetNet59网络结构的MSCOCO目标检测和实例分割跟踪方面取得了成果。

由于ImageNet分类的任务不同于目标检测，目标检测不仅需要识别目标的类别，还需要对边界框进行空间定位。所以设计了专门为目标检测而生的DetNet。

FPN的功能是融合了底层到高层的feature maps，从而充分利用了提取到的各个阶段的特征。

论文中讨论了FPN的一些缺陷：

1、网络阶段数量不同。

2、大型物体的弱可见性。大跨步对目标定位有害，对象边界过于模糊，无法得到精确的回归，下采样的次数越多会导致步长越大。

3、小型物体的不可见性。大跨步会导致一些小型物体的遗漏。

由上图的结构可知，论文设计的DetNet结构比普通的分类网络要多一层。并且在后面并没有继续增加特征图的子采样大小，保持着“16X”。它的优点如下所示：

1、阶段数直接设计用于目标检测。

<