论文：Pelee: A Real-Time Object Detection System on Mobile Devices
Github:https://github.com/Robert-JunWang/Pelee
https://github.com/nnUyi/PeleeNet
ICLR2018论文，主要提出了DesNet的变种版本PeleeNet，适用于移动端的轻量级网络。
PeleeNet主要特点：
（1）Two-Way Dense Layer
Dense Block模块使用如上图所示的2-way dense layer。主要进行上面模块的堆叠
（2）Stem Block
PeleeNet的网络基础模块为上图所示的Stem Block
（3）Dynamic Number of Channels in Bottleneck Layer
瓶颈单元的channel数目根据输入feature map的大小来决定，保证输出的通道数不超过输入的通道数。与原始DenseNet相比，可以节省28.5%的计算消耗，并且对精度影响很小。
（4）Transition Layer without Compression
传统DenseNet中Transition Layer的压缩率会影响特征的表达。PeleeNet中的Transition Layer的输入和输出通道数一样。
（5）Composite Function
为了提高速度，采用了conv+BN+relu的组合，而不是conv+relu+BN的组合。可以进行卷积和BN的合并计算操作。当然精度会略有降低。
SSD+PeleeNet:
（1）主要使用了5个scale的feature map，(19 x 19, 10 x 10, 5 x 5,3 x 3, 1 x 1)，为了减少计算量没有使用38 x 38的feature map
（2）在每一个scale的feature map进入分类和回归之前，使用了ResBlock模块。
（3）ResBlock模块中使用1*1卷积，相比3*3卷积，可以减少21.5%的计算量。
（4）提供了IOS上基于sdd+PeleeNet的解决方案。
PeleeNet网络结构：
训练学习率策略：
学习率采用cos方式的学习率变化方法，假设epoch为t，t <= 120，则最终学习率为 0.5 ∗ lr ∗ (cos(π ∗ t=120) + 1)
实验结果：
VOC结果：
COCO结果：
