持续更新~~~
目前大部分的目标检测网络，包括one-stage和two-stage法，都是直接对用于图像分类的ImageNet预训练模型进行微调，很少有专门为目标检测设计的特征提取器。更重要的是，图像分类和物体检测之间存在许多差异：
（i）最新的物体探测器如FPN和RetinaNet通常需要图像分类任务以外的部分，来处理目标检测所关注的物体的尺度问题。
（ii）图像分类只需要识别物体的类别，而目标检测不仅要对物体进行匪类，还要定位物体的空间位置。 大尺度的降采样操作增大了感受野，有利于图像分类，但是对于需要定位目标的检测任务而言就不一定有利，因为降采样操作会降低图像分辨率，丢失了目标的位置信息，对于大目标的定位和小目标的识别实在不利。
由于分类与检测任务的各种不同，本文设计了一种专为目标检测的主干网络—— DetNet。
由于目标检测存在物体的尺度问题，DetNetFPN中添加了额外的部分。 与用于ImageNet分类的传统预训练模型不同，即使包括额外的部分，我们仍可以保持特征的空间分辨率。为了保持DetNet的效率，我们采用了低复杂度的膨胀瓶颈结构。 通过集成这些改进点，我们的DetNet不仅可以保持高分辨率的特征图，还可以保留较大的感受野，这两者对于目标检测任务都非常重要。