本篇论文是facebook三篇论文之一，主要介绍multipathnet网络，下面是本人的一些总结。新手入坑，多多指教
multipathnet网络是利用deepmask网络和sharpmask网络产生的object proposals作为输入的一部分，对其进行分类。
这个网络是对Fast R-CNN的改进，改进的点主要有三个，先来看下这两个网络的网络结构
首先是fast r-cnn
三个改进点
(1)跳跃结构
在VGG网络里，从conv1到conv4，每层conv之后都有一次2*2的max pooling，4次max pooling之后，特征图将下采样到原先的1/16，这会导致信息的丢失。所以将具有丰富信息的较早层连接至后面的网络。
conv3-->1x，conv4-->1x，1.5x，2x，conv5-->1x，1.5x，2x，4x
(2)中心区域
背景信息对于小目标检测识别来说是很有用的，所以作者使用了4种不同大小的region crops，分别是1x，1.5x，2x和4x。
在每种情况下，使用RoI Pooling技术将它们固定到相同大小。送入全连接层。
四个输出连接成一个长向量，用于打分和框回归。
(3)积分损失函数
Fast R-CNN里所有IoU>50%的proposals的得分是相等的，作者改进了损失函数，设置6个不同大小的IoU，分别计算得分然后求平均。这样的话，IoU越高，得分就越高。
原先的积分损失函数
改进的积分损失函数
把求得的6个预测类概率求平均
作者设置n=6，u=[50,55,60,65,70,75].（IoU增大，正样本减少）