这篇论文在coco数据集中取得了第二名的成绩。其目标是在取得state-of-the-art的正确率情况下，最小化计算量。主要工作是优化前面的特征抽取网络，设计原则是通道数要少，但是网络更深。该论文的网络设计主要点为：1、concatencated ReLU；2、inception模块；3、HyperNet，加入不同尺度特征图融合。
C.ReLU
C.ReLU的结构如下：
其前向传播过程为：输入数据经过卷积后，经过Negation（卷积的输出取负），然后Negatin的输出和卷积的输出合并起来，也就是Concatenation步骤。接着合并的输出经过Scale/Shift（可训练的参数，对应于每个通道，跟BN层中的scale/shift一样），最后经过ReLU激活函数。
C.ReLU的设计是受启发于CNN的内部节点的激活模式。在CNN的前面几层，每一层的输出节点趋于”paired”，具体的，某一节点是另一节点的反面（作者的观察。。）。因此才有了卷积层的输出取负，然后拼接起来。另外，由于将原本的卷积层的通道数减半，这使得C.ReLU速度更快。
Inception模块
由于多尺度卷积核的原因，Inception模块能够同时捕捉到小物体和大物体的特征。论文中使用的inception模块：
HyperNet
受HyperNet的启发，论文使用了多尺度特征融合。直接看网络图会比较清晰一点:
具体的，先将conv3_4用最大池化进行下采样，然后将conv5_4用反卷积网络进行上采样，最后将下采样的conv3_4,conv4_4和上采样的conv5_4按通道拼接起来。
在上面的网络中K*K C.ReLU，由1*1卷积-K*K C.ReLU-1*1卷积构成，除了第一次的7*7 C.ReLU没有1*1卷积，其他的都有。对于Residual连接，每个连接处中，来自上一层的输入都会经过一个1*1卷积进行下采样，然后进行连接。连接处有：pool1_1与conv2_1，conv2_3与conv3_1，conv3_4与conv4_1，conv4_4与conv5_1。总结起来就是，在特征图大小改变的地方，都会进行跳跃连接。
另外，网络在ReLU激活函数前，都添加了Batch Normalization。
实验结果
速度快了很多，并且mAP也还不错。
