RefineDet

论文：Single-Shot Refinement Neural Network for Object Detection
论文链接：https://arxiv.org/abs/1711.06897
代码链接：https://github.com/sfzhang15/RefineDet

对于目标检测网络，two-stages 精度高，one-stage速度快。
two-stages 第一步产生一系列的候选框，候选框产生方法有Selective Search、EdgeBoxes、DeepMask、RPN），然后第二步再进行分类回归。代表方法有Faster RCNN R-FCN FPN Mask R-CNN 。
one-stage 在feature map的每个cell中产生候选框的同时进行分类回归，一步完成。代表方法有SSD Yolo Yolov2 DSSD等。
one-stage速度快，但是由于正负样本不平衡，同时一步回归，所以精度比two-stages的方法差。
Refinedet 综合两者的特点，该网络有两个模块构成，直接上图：

第一个是anchor refinement module
1）过滤掉部分负样本候选框，减小分类器的搜索范围。
2）粗调整候选框的位置和大小
第二个是object detection module
1）对候选框进行分类和精调

两个模块中间有一个连接模块transfer connection block
1) 进行特征层的融合，将高语义层上采样与上一层进行融合，提高底特征层的语义信息。上采样通过反卷积进行。

该网络主要有三个特点
1）利用TCB模块进行类似FPN 的特征融合，提高低层语义信息，有利于小物体检测
2）两步级联回归，提升框的质量，在ARM模块中利用SSD二分类网络做PRN的工作，进行粗回归调整，在ODM模块中进行位置精调。
3）负样本过滤机制，文中在进行1：3的难例挖掘前先进行了负样本的过滤，当候选框的背景置信度高（大于0.99时)，直接舍去，不丢入分类器，这样能缓解样本不平衡问题，同时缩短检测速度。

给出网络的结果