論文鏈接：DetNet: A Backbone network for Object Detection
ECCV2018
一個專門爲物體檢測任務而設計的 Backbone——DetNet
論文主要是討論設計檢測的backbone
考慮到分類問題和檢測問題之間的差異，使用分類的backbone來做分類任務有兩個問題：
- 最新的檢測器與分類的backbone相比，爲了獲取多樣的sizes，基本都增加了額外的stages。
- 傳統的backbone基於大的下采樣倍數，以獲取更大的感受野，這有利於圖像的分類，但不利於目標的精確定位、識別小物體。
提出新的backbone，DetNetDetNet包含了額外的層，不僅保留了高分辨率的特徵，而且保留了大的感受野。
DetNet
Resnet50 作爲baseline，共有stage1-5。DetNet保留ResNet的 1-4stage ,在stage 4 之後就固定下采樣倍數爲16x，增加了額外的stage 6。
其設計細節如下：
- stage4-6這三個stage的stride都是16，而ResNet50的stage5的特徵圖是原圖尺寸的1/32，見圖1
- 提出了dilated bottleneck，分成A和B兩種，見圖2-D；
- dilation技術增大了感受野，然而考慮到計算量和內存，stage5和stage6保持了相同的通道數目（256的輸入通道，而不是像傳統的backbone一樣，每個階段通道數增加一倍）
Result
爲了進一步檢驗DetNet在目標檢測上的性能，基於DetNet-59和ResNet-50的FPN從頭進行訓練，也就是說不使用ImageNet上的預訓練參數對比，這也就進一步證明了DetNet更適合於目標檢測。
