DetNet详解
DetNet由旷视科技发表在ECCV2018的论文，出发点为现有的检测任务的backbone网络都是由分类任务衍生而来，因此作者想针对检测专用的backbone网络做一些讨论和研究而设计的DetNet。
1.很多backbone网络在ImageNet大赛上做分类表现不错，才被人当作检测的主干特征提取网络（backbone），鲜有单独针对检测任务提出的backbone。
检测和分类有明显的区别：（1）不仅需要分类，还需要精确的定位。（2）检测器都是类似FPN结构，在分类网络基础上额外多尺度特征进行检测，应对不同尺度变化的目标。这两点又是相互补充，共同协助网络从分类到检测的转变。例如分类任务是检测任务中必不可少的一环，但是传统分类采用的最高级特征定位细节不够，因此很多网络没法用类似FPN结构去处理尺度变化的问题，就将分类较好地过渡到检测任务上了。
2.DetNet主要解决的问题
1.主要着眼点是分辨率，从大目标和小目标分别阐述保持分辨率的重要性，因此DetNet也是从保持分辨率着手，解决多尺度物体的识别问题。
2.网络在较深层处容易导致大目标的边界不明确使精确定位困难
3.下采样会导致小目标的消失，只要能避开下采样就能防止物体目标丢失，但是这种方法又会导致抽象能力不够。
3.DetNet是如何设计的？
保持分辨率有两个麻烦的问题：（1）内存消耗大，计算大（2）下采样减少导致高层的抽象特征不足以很好地进行分类任务，因此设计的时候会考虑时间和高层特征两点。
下图为DetNet和FPN，分类backbone网络结构的对比，可以看到DetNet backbone中第一个16x后尺寸不变了，也就是说保持了分辨率。
具体实现细节如下：
（1）采用ResNet50为backbone，改进设计了DetNet-59 （2）对bottlenecks进行了改进，传统的其实不止是C，也包含AB，即将AB的膨胀卷积换成普通卷积。点击详细了解膨胀卷积 （3）为了减少分辨率保持带来的时间和内存成本的消耗，通道数固定为256 （4）DetNet可以加入FPN结构，方法类似。
3.DetNet在分类和检测任务上的表现
分类任务
（1）在FPN基础上明显有大物体涨点，同时由于高分辨率，小物体也有不错的提升。
（2）膨胀卷积提供的大感受野使得分类也不逊色
检测任务
（1）从AP50看出，高好1.7；从AP80看出，高了3.7。由此可以看出确实提高了检测性能。 （2）从定位性能来看，大物体的提升比小物体更多。作者认为是高分辨率解决了大物体边界模糊的问题。其实有一种解释：小目标没有大目标明显，因为膨胀卷积核降采样都会丢失小目标，只是膨胀卷积可能离散采样不至于像降采样直接给到后面没了，但是没有根本性的解决，所以小目标不大。 （1）AR50体现了小目标的查全率更好，这也印证上面分析的：相对降采样，膨胀卷积丢失会好点。此下大目标效果虽然提升不大但是也很高了，作者表示DetNet擅长找到更精确的定位目标，在AR85的高指标就能看出。 （2）AR85看大目标丢失少，说明能够像 VGG一样对大目标效果优良。关于小目标的效果平平，作者认为没有必要太高，因为FPN结构对小目标已经利用地很充分了，这里即使不高也没事。