今天讀了一篇比較古老的文章，是曠視發表在ECCV18的一篇目標檢測文章，DetNet。這篇文章應該緊跟著FPN發表的，主要針對目標檢測通用backbone的問題以及FPN的問題，提出了一個適用于目標檢測的新的backbone，也就是DetNet。

上圖分別展示了FPN、分類網絡以及DetNet的網絡結構。首先，在imagenet上訓練的通用backbone因為最終要做識別的任務，所以會對輸入圖片進行大尺度下采樣，最終的特征圖是原輸入的1/32，這增大了網絡的視野域，對于分類任務來說是很好的，但是目標檢測需要對物體進行精準的定位，太小的特征圖會對定位造成嚴重的影響。因此，FPN通過top-down以及bottom-up pathway來解決這一問題，額外引入64倍縮放的stage來處理極大的物體，小物體則通過逐層上采樣在大分辨率特征圖上預測。這樣做的問題有兩個：1）額外加的stage缺少imagenet數據集上的預訓練，2）如果小目標在下采樣階段已經丟失了，那么上采樣階段也很難再找回來。

因此，DetNet在原有的resnet的基礎上擴充了一個階段P6，并且從P4-P6都不再降低特征分辨率，因此，網絡最小的特征圖也是原圖的1/16. 并且，為了增大網絡的視野域，在P5和P6引入了dilated bottleneck，將bottleneck中的3x3卷積改為dilated conv。

這里也有一個很有意思的地方，作者設計了兩種dilated bottleneck，一種是輸入特征直接加到輸出上（A），另一種是輸入特征經過1x1 conv變換后再加到輸出上，在DetNet中，P5和P6采用了BAA的連接方式。作者通過實驗證明，BAA的方式比AAA的方式更好，利用B這種結構可以更好的開始一個新的stage，原因是如果采用AAA的方式，輸入特征沒有經過非線性變換，與輸出特征差別不大，這導致特征沒有變化。

實驗結果也比較有趣，跟resnet作為backbone相比，DetNet在AP50 small上和AP85 large上都有比較明顯的提升，證明其可以更好的找回小物體，并定位大物體；但是在AP85 small上就提升不那么明顯了。這跟作者之前的claim也是一致的。