极简笔记 DetNet: A Backbone network for Object Detection

文章的核心提出了一种专用于detection任务的backbone network：DetNet。目前检测网络的主流方法是基于classification网络加FPN和RPN结构进行定位。大部分分类网络通过减小深层的spatial size 来加大像素的感受野，较小的resolution一定程度影响了大物体定位的准确性。文章提出的DetNet在网络深层使用rate=2的空洞卷积替代原有bottleneck的3x3卷积，在不缩小spatial size，小幅增加计算量的同时增加像素感受野，以增加检测的准确性。为了减小计算量，深层部分的channel数停留在256没有增加。

文章的主要对比实验室ResNet50-FPN结构，因此构造了对应的DetNet59结构，大致结构对比如上图。DetNet是对骨架网络进行改造，因此可以同理加上FPN结构。因为DetNet59的计算量（FLOPs-4.8G）还是会比ResNet50的计算量（FLOPs-3.8G），有人可能会说提高的性能是由于更大的计算量带来的，于是文章又加了ResNet101（FLOPs-7.6G）的对比实验，显示在det任务上DetNet以更少的计算量取得了更高的检测结果。

但是接下来文章就偷懒了，剩下的分析就只剩和ResNet50的对比了。在对比average precision（AP）和average recall（AR）时大中小三种尺度的物体DetNet59都超过了ResNet50，一定程度上说明提高深层高resolution真的很有用。当然要是这部分做个ResNet101的对比就更具有说服力了。

文章用的dilated res-block，在cut部分使用了1x1卷积替换identity map。关于这点也做了一个对比实验来说明这样确实有用。

因为DetNet只是一个骨架网络，而且可以扩展到其他类型网络，文章最后还把DetNet59放到MaskRCNN框架里，显示性能确有提高。

个人以为该文章的缺陷在于DRN结构使用了同样的rate，并没有覆盖到所有像素，可以利用一些现有方法例如rate=1,2,5交错的方式使用空洞卷积来覆盖feature map，也许会更好。