ECCV2018

论文：Receptive Field Block Net for Accurate and Fast Object Detection
论文链接：https://arxiv.org/abs/1711.07767
代码链接：https://github.com/ruinmessi/RFBNet

为了模拟人视觉系统的感受野，增强CNN的特征提取能力，本文提出RFB（Receptive Field Block）结构，并应用在SSD上。从

后文可以看出，RFB中使用了多尺度的dilated convolution，增加了感受野的范围。

（近年不少感受野的文章，包括Inception family, ASPP, and Deformable CNN）

1、RFB结构

RFB的结构如上图所示，首先用了多个分支，每个分支使用不同的卷积核（跟inception 一样）；之后在每个分支上，分别接不同rate的dilated conv，

在大的conv上，使用更大的dilated conv；最后将不同尺度的特征图进行concat，并使用1*1来调整特征维度。

　　（1）多分支结构。借鉴了Inception V4 和Inception-ResNet V2，包括如下两种。其中RFB-s使用了更多的分支和更小的卷积核（用于浅层特征提取）。为了减少参数，使用两个3*3替代

5*5，并使用不对称卷积替换n*n。

　　        

　　（2）dilated conv。在不增加参数的基础上，扩大感受野

2、几种感受野结构的对比

　  四种结构对比，一目了然。

3、网络结构

RFB Net仍然使用SSD的多尺度特征结构，在其中插入RFB module。有图可知，在浅层中，使用了RFB-s，并在

中间层中用了stride=2的RFB（后面特征图太小，无法使用5*5的卷积核）。

　　

4、实验

（1）RFB max pooling 和avg pooling是什么？

在https://github.com/ruinmessi/RFBNet/issues/48中，作者给出了回答：

RFB-max pooling就是dilated max pooling layer，而不是dilated conv layer。从实验上看效果提升最明显，也说明扩大感受野的好处还是很明显的。

　　（2）在conv4_3上，将default box从4增加到6，有些许提升。