【论文笔记】：Scale-Aware Trident Networks for Object Detection（TridentNet）

&Title:

Scale-Aware Trident Networks for Object Detection

&Summary

检测任务中存在目标尺寸多样化的问题，为了解决这一问题，作者采用的做法如下：

• 为了使模型对不同尺寸目标的“表达能力”近似，作者借鉴了SNIP的特征提取网络，采用了“scale-aware”的并行结构；
• 为了加快模型的推理速度，作者采用了dilated convolution得到不同感受野的特征图，从而实现检测不同尺度目标的目的，取代了SNIP中的特征金字塔生成不同尺度目标的做法。（可以认为这一点是最大的创新）

文章通过提出TridentNet，来生成具有统一表征能力的特定尺度特征图，以此解决目标检测中尺度多变问题。其中，作者建立了一个并行多分支结构，它们共享参数，但感受野不同。

&Research Objective

解决目标检测中尺度多变问题。

&Problem Statement

尺度问题一直是目标检测领域比较核心的待解决的问题。目前，对于这个问题还没有比较彻底的解决思路，有两种比较好的方法来处理这一问题：

• 图像金字塔，即网络输入图像的多尺度，比如常见的multi-scale test的trick，这种方法需要耗费很大的计算量。
• 特征金字塔，即融合不同深度的feature map 来获得多尺度特征，比如 FPN，这种方法速度更快，但是性能不好，按照论文的说法，是因为它牺牲了不同尺度的特征一致性(即不同scale的feature经过不同深度不同参数的变换，反应出来的特征会更全面和表达能力更强)

抛除这些结构上的因素，具体到DNN的设计上，影响DNN对尺度处理能力的因素主要有两点：

• 较深的层一般感受野越大，因此处理大目标的能力较强。
• 过多的下采样层会损伤网络对小目标的检测能力

这篇文章探究了另一个可能的关键因素对目标检测的影响，即感受野的大小问题。

&Method(s)

感受野的探究

那么感受野和检测效果之间到底存在什么关系？

作者做了一个关