论文地址：https://arxiv.org/abs/1804.06215
文章内容：
-
论文概述
-
算法核心
-
效果
论文概述：
现有的Backbone存在的问题：大多Backbone都是建立在分类网络基础上的，大量下采样后带来了更有效的感受野，但是分辨率也相应下降，导致位置信息模糊
DetNet的优势:在分类Backbone基础上加了新的stages，在更深的网络上仍然有较大的感受野，同时保持了高的空间分辨率
算法核心：
DetNet与FPN和分类网络的区别：DetNet的stage4-6这三个stage的stride都是16
1、stage1-4是ResNet50，stage5、stage6是额外加的，但保持空间分辨率不变。
2、提出了dilated bottleneck，增大感受野（保证了特征图的尺寸），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）
3、为了能在空间大小不变的情况下，更多的加入新的语义特征，在mapping的时候，加入了1*1卷积，图中B的结构，这与ResNet做identity mapping设计不同，更适用于做检测。效果如下表：
该实验对应的网络结构的变化：
效果：
在大目标上的准确率比较高，在小物体上的召回率比较高：
