DetNet 解析

1.使用FPN等网络的缺点：

1. 预训练不一致：传统的ResNet或者VGG的stride等于32（就是输入图片和最后的特征图大小的比例），按照每个阶段（stage）的特征图尺度减少为原来的1/2来计算，通常会有5个stage（P1-P5），而FPN中存在P6，RetinaNet中存在P6和P7，而P6和P7是没有被预训练过的。（然而P6和P7已经对任务很敏感了，还需要预训练么，会不会多余？当然文章中并没有讨论这个问题）
2. 大物体的回归弱：在FPN等物体检测网络中，大物体是在比较深的特征图上预测（因为深的特征图对应原图的比例大，感受野大，对应的anchor的scale大），然而由于特征图越深，物体边缘的清晰度就越差（模糊），就很难准确回归；
3. 小物体在小分辨率特征图上不可见：由于特征图的分辨率减少到原来的1/32，或者更小，小物体在上面是不可见的（32x32的物体在上面只有一个点），FPN等方法，使用分辨率大但是比较浅的层来解决这个问题，由于这些层的语义信息比较弱，没有充分的能力去识别物体，FPN把浅层和语意信息强的深层相加，来提升浅层的语义表达能力，但是由于小物体已经在“深层”中消失，所以他们的语义信息也会丢失。

2. 为了解决上述问题—DetNet：

1. stages的数量是为物体检测设计的（个人理解是在ImageNet上预训练和训练物体检测时的stage数目一致）；
2. 引入了更多的stage（6-7），保持了特征图的分辨率，同时也保证的感受野的大小；

3. 针对Detection设计网络的两大挑战：

1. 需要保持特征图的尺度足够大（小物体不会消失，同时保证特征图的保存更清晰的边缘信息），但是这样会占用更多的内存（显存爆了）和计算量；
2. 减少下采样的数目（为了保持特征图的分辨率），但是这样感受野的大小无法保证（物体分类和语意分割都需要足够的感受野）；