RFBNet——提升感受野复杂度 (目标检测)one/two-stage)(深度学习)(ECCV 2018)

论文名称：《 Receptive Field Block Net for Accurate and Fast Object Detection 》

论文下载：https://arxiv.org/pdf/1711.07767.pdf

论文代码：https://github.com/ruinmessi/RFBNet

---

RFB-Net: RFB-Net在inception的基础上加入了dilated卷积层，增大了感受野，增强网络特征提取能力。

dilated conv不是在像素之间padding空白的像素，而是在已有的像素上，skip掉一些像素，或者输入不变，对conv的kernel参数中插一些0的weight，达到一次卷积看到的空间范围变大的目的。当然将普通的卷积stride步长设为大于1，也会达到增加感受野的效果，但是stride大于1就会导致down-sampling，图像尺寸变小。

RFB是一个类似Inception模块的多分支卷积模块，它的内部结构可分为两个组件：具有不同卷积核的多分支卷积层以及随后的膨胀卷积层。微调RFB参数主要就是调节RFB模块中卷积核kernel size以及膨胀因子rate(内核元素间的距离)。

在每个分支上，特定核大小的卷积层后面跟着一个相应膨胀系数的卷积层，最后，所有分支的feature map被连接起来，合成一个空间池化或卷积数组。(b)中，用两个3*3的卷积层代替5*5的卷积层来减少参数并深化非线性层，用一个1*n和一个n*1的卷积层来替换原始的n*n卷积层。

RFB-Net检测器利用多尺度一步检测框架SSD，在其中嵌入RFB模块，模拟人类感受野进行RFB的设计，使得轻量级主干SSD网络也能更快更准。相对较大分辨率的feature map的前卷积层被RFB模块取代。

RFB-Net检测结构：

实验结果（VOC）：

实验结果（COCO）：