论文阅读：CFENet: An Accurate and Efficient Single-Shot Object Detector for Autonomous Driving

北大计算所王勇涛团队工作 是与阿里巴巴AI实验室横向合作课题 智能驾驶场景下车辆目标3D包围框回归算法研究，2018.01-2018.09

http://www.icst.pku.edu.cn/cpdp/index.php/research-team/11-wangyongtao

使用的是浅层特征来检测小目标，浅层特征不具备丰富的语义信息，因此对分类来说区分度不高，是否就会分错。

refinedet提供的方案，用encode-decode 结构来加深网络 ，并且用上采样特征图的方式来使大的特征图能获取更多的语义信息。 用级联回归的方式，encode模块获取粗糙的位置，decode模块获取准确位置。

ssd是特征金字塔的架构 conv4_3 是用来检测小目标，其他的用来检测大一些的目标， anchor size 根据训练集数据scale 分布决定 这篇是从增强特征的角度来改善ssd

主要是cfe模块， 融合了xception ，resnext, large separable（引文8） 模块。

加了四个cfe模块 和两个ffb模块 cfe模块分为两个branch,长的都差不多，就是K*1和1×k卷积的次序不一样（不一样的好处是什么，为什么要这么设计？）
查了一下，这个是inception v3里面的

用n×1 和1×n的来代替 n×n的 factorization conv 在feature map 在12到20的时候work well 早期用效果不好

K*1和1×k卷积 出自于large kernel matters 里面的 global convolutional network 模块这个模块感觉就是用提升大的感受野，然后做了一系列的实验来验证这个模块还是很work的

看light_head 里面，孙剑的新的一篇文章引用了这个 MetaAnchor: Learning to Detect Objects with Customized Anchors是从anchor这个角度切入的 nips2018 有空的时候可以翻一下 然后又翻到一篇文章 iou-net Acquisition of Localization Confidence for Accurate Object Detection 这个直觉上看还是可以的 就是把iou 融入到了sgd的优化目标中

添加不同模块的效果

multiscale 的效果很明显 直接将效果提升从22.34 到29.69