论文： Zhang S, Wen L, Bian X, et al. Single-Shot Refinement Neural Network for Object Detection[J]. 2017.
Github：https://github.com/sfzhang15/RefineDet
论文算法概述
提出的是一个single-stage检测器，号称达到two-stage检测器的精度和one-stage检测器的效率，名为RefineDet,。该网络包含anchor精炼模块(anchor refinement module, ARM)和目标检测模块(object detection module, ODM)。
anchor精炼模块的作用有两点，1）过滤负的anchors以减少分类器的搜索空间；2）粗略调整anchors的位置和大小为随后的回归器提供更好的初始化。
目标检测模块则将精炼后得到的anchors作为输入去提升回归和多标签预测的精度。
同时作者还设计了一个transfer connection block(TCB)去转移anchor精炼模块中的特征到目标检测模块去预测位置、大小和类别。该网络在VOC和COCO上达到最优， VOC07为85.8%%mAP，VOC12为86.8% ，MS COCO为41.8%。
Network Architecture
- Transfer Connection Block：为了连接ARM和ODM，引入TCB去将ARM里不同层的特征转换城ODM需要的，这样ODM可以共享ARM上的特征。TCB的另一个作用是整合大尺度上下文信息，通过添加高级特征到转移的特征上去提高检测准确率。为了匹配它们之间的维度，使用反卷积去加大高级特征并逐位相加。在相加后面添加一个卷积层以确保特征的检测区分能力。TCB结构如图2所示。
-
Two-Step Cascaded Regression： 当前的one-stage方法一般都依赖与一个one-step回归，而这个回归是基于多个不同尺度的特征层去预测目标的位置和大小，但这对于某些情况，准确率并不高，特别是对于小目标的检测。所以这里提出了一种two-step的级联回归策略。首先使用ARM去调整anchors的位置和大小，为ODM中的回归提供更好的初始化。更具体地，将n个anchor boxes与特征图上每一个被切分的cell相关联。相对于与之对应的cell，每个anchor box的初始位置都是固定的。在每个特征图的cell上，我们为每个精炼的anchor boxes预测一个相对于原始anchor位置的偏移量以及是否存在目标的两个评分。因此，我们可以在每个特征图cell上得到n个精炼anchors。 在得到精炼的anchor boxes后，将它们通过在ODM上对应的特征图去进一步生成目标类别和准确的目标位置和大小，如图1所示。在ARM和ODM上的对应的特征图的维度是一致的。我们计算c个类别分数，和4个相对于精炼anchor boxes的偏移量，即为每个精炼anchor box生成c+4维度的输出以完成整个检测任务。这个过程跟SSD中的default boxes相似，不同点是，SSD直接使用均匀平铺默认框，而RefineDet则使用两步策略，ARM生成精炼过的anchor boxes，而ODM以精炼anchor boxes作为输入进一步检测。
-
Negative Anchor Filtering：为了早一步排除容易区分的负anchor并减轻样本不均衡的问题，作者设计了一个负anchor过滤机制。在训练阶段，对于一个精炼anchor box，如果它的负类评分高于预先设置的阈值，则在ODM的训练中被排除掉。就是说，在ODM训练时只用了了精炼过的困难的负anchor和精炼过的正anchor。同时在前向推理阶段，如果一个精炼anchor box预测到的负类评分高于阈值，在检测时也同样会被排除掉。
-
Loss Function：包含ARM的和ODM的两部分。
Experiments
总结
一个单阶段检测器，分anchor精炼模块（二分类和回归）和目标检测模块（多分类和回归）。
单模块下结构类似于SSD，取多层做预测；其中精炼模块用以过滤负的anchors以减少搜索范围，并且粗略调整anchors的位置和大小，得到的粗略的anchor信息映射会回各自尺度层上为随后的目标检测模块提供更好的初始化。而目标检测模块则以精炼模块的输出作为输入（也是多层，每层对应取，并单独接分类和回归器，如SSD），进一步得到最终结果。即二分类与多分类级联加两级回归级联。
两个模块之间是通过一种转移连接模块来连接的，包含有两个模块对应尺度层的连接（用多次卷积），以及从高层特征往底层的连接（跨层信息融合，采用反卷积来同步维度）。