论文名称：Single-Shot Refinement Neural Network for Object Detection
论文地址：传送门

Introduction

我们知道，two-stage detector 精度高，但速度慢，one-stage detector速度快，但精度低。如果能将两者的优点结合起来，那就十分美好了。

One-stage 与 two-stage的最大差别在于是否有region proposal的过程。
有了region proposal的过程，可以在stage one中提取有效的anchor box，过滤无效的box，从而有效地解决class imbalance问题，然后在stage-two中对anchor box进行classification和精确的localization，但是显然two-stage会降低运行速度。
而one-stage则没有region proposal的过程，直接预设$1k \rightarrow 100k$左右的anchor box，本质上是一个dense prediction，按理说这么多box，肯定会十分准确地预测，但是由于这些anchor中大多数都是易于区分的negatives，并不利于模型的训练，导致严重的imbalance问题。

RefineDet则将两者的有点结合了起来：其stage-one用于提取region proposal，stage-two用于分类和精确定位，但最关键的是，其stage-one和stage-two近乎是共享feature maps的，从而大大减少了计算量，同时其采用了FPN的bottom-up，top-down的策略，实现了high-level feature与low-level feature的融合。

在MS COCO数据集上，其达到了41.8%的AP，同时可以达到24.1的FPS。

RefineDet

RefineDet包含两个模块：Anchor Refinement Module(ARM)，Object Detection Module(ODM)。还有一个Transfer Connection Block(TCB)用于连接两个模块。

其基本结构是：

1. ARM中类似于SSD，在backbone network中抽取四个feature layers，只不过将SSD中Multi-class Classification改为Binary Classification(Object or not)。
2. TCB模块则将ARM与ODM连接起来，即将高层的feature传l下层，并与下层concat，重构一个SSD的网络。对于ODM，其简直与SSD一模一样：多层的Multi-class classification和regression。
3. 最创新的其实是中间连接的部分，stage-one的anchor box，可以Hard Example Mining（HEM），过滤掉那些easy examples，保留hard negatives，这样就解决了class imbalance问题。

TCB

TCB模块即采用Deconv将上层与下层的feature相结合。

Two-Step Cascade Regression

这让我不禁想起了同时CVPR 18的Cascade R-CNN。同样的套路，RefineDet将SSD改成two-stage，而Cascade R-CNN将R-CNN改成two-stage。

这里的two-step cascade regression主要是bounding box的回归。在ARM中，预测出一个大致的box，然后经过样本的过滤后，在ODM中进一步的regression。

Summary

好的工作总是相通的，级联的方式来解决检测的精度确实是很不错的主意，相比于Cascade R-CNN，RefineDet的检测速度更胜一筹，只不过 Cascade R-CNN里的解释与分析更加详细。