目标检测（一）Detnet（目标检测特征提取网络）

Detnet（目标检测特征提取网络）

摘要：不管是rcnn系列，还是ssd,yolo系列的网络，都是在原有的分类网络的基础上进行微调（迁移学习）。目标检测：1.分类2.定位。

存在问题：1.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。2. 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。
改进：detnet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网络设计：
1.resnet（五个残差网络结构）基础上，Detnet只保留前四个，在第四个残差网络块之后就固定下采样的倍数（16*），在resnet的基础上增加一个残差网络块。一共6个。

注意：c图4，5，6下采样的通道数都是16
2. 提出了dilated bottleneck，分成A和两种

3. 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）
   4.用于目标检测时
   
   和那个yolov3 有点像，三尺度检测，也进行特征融合。
   论文：DetNet: A Backbone network for Object
   链接：https://arxiv.org/abs/1804.06215
   代码复现链接：https://github.com/guoruoqian/DetNet_pytorch