论文阅读: DetNet

Introduction

Face++的Li Zeming大神注意到了现有Detection Network的两大通病：

1. 寄生于原为class task而设计的network，牵强地附加上其他辅助结构(SPP layer/RoI Pooling/RoI Align/Position-sensitive score map)来实现Detection；
2. 下采样能带来大感受野，从而提升class任务精度；但又会损失空间信息，影响detection精度。二者难以协调。

为此，Li Zeming大神专门设计了Detection专属的DetNet Backbone。结构如下：

这里写图片描述

并设计了专属的bottleneck：

这里写图片描述

需要注意的是，DetNet本身只是一个backbone，和FPN一样，只是为广大two-stage detector服务的RP供应商。因此它是无法独立存在来完成检测任务的。

Innovation

最大的创新点，其实就是将原本的32X的下采样，用两个16X的卷积来替换。这样既能通过叠加卷积实现感受野的扩张，也避免了因为下采样所导致的位置信息的丢失：

这里写图片描述

其实呢，个人感觉这不是什么新东西。YOLO早在16年就有类似的操作了：

这里写图片描述

另外是层组件上的改进，设计了一套(A+B)bottleneck组合：

这里写图片描述

感觉就是Inception的变种。

Result

刷到了新的state-of-the-art：

这里写图片描述

该backbone在分割任务上也同样出众，说明general性能好：

这里写图片描述

po出效果图：

这里写图片描述

Thinking

• 这篇文章的创新点和FAIR的 Focal Loss 类似，都是一点点的小改进，但却是涨点的大杀器。
• 不过我总觉得backbone极似YOLOv1的网络结构。one-stage系的YOLOv1是几个下采样后缩小32X，之后几个连续的同size卷积。DetNet则是下采样到16X就停止了，然后几个连续的同size卷积号称可以在扩大感受野的同时不损失空间信息。 或许是YOLOv1无心插柳，却被DetNet注意到了，并深入挖掘了背后的理论知识吧。
• 这是第一次专门针对Detection所设计的Network。估计也只有Li Zeming大神有底气用这么霸气的名字了吧。
• 另外，或许Li Zeming大神可以学习一下He Kaiming大神的写作，对该创新点进行更加高大上的包装。
• 看论文格式，应该是打算投ECCV。
• 最后，期待Li Zeming大神的源码发布。

[1] DetNet: A Backbone network for Object Detection