RefineDet可以看成是SSD,RPN,FPN算法的结合,其主要思想是:Faster-RCNN等two-stage算法,对box进行两次回归,因而精度高,但是速度慢;YOLO等one-stage算法,对box只进行一个回归,速度快,但是精度低.RefineDet将两者结合起来,对box进行两次回归,但是是one-stage算法,既提高了精度,同时速度也较快.RefineDet的框架是SSD,同时引入了FPN的特征融合操作,提高对小目标的检测效果.
YOLO等one-stage算法,通过设置固定尺寸的Anchor Box来进行回归,RefineDet改变了这一点,其Anchor Box的尺寸不再是固定的,而是变化的,由一个专门的Branch预测Anchor Box的尺寸,再由另一个Branch在预测的Anchor Box的基础上进行回归,从而提高了精度.RefineDet网络的结构图如下所示,主要由三个部分组成:Anchor Refinement Module (ARM) ,Object Detection Module (ODM)和Transfer Connection Block (TCB).
ARM负责对Anchor Box进行前景,背景二分类以及回归,ODM负责在ARM输出的基础上,回归以后的Anchor Box进行多类回归和分类.两者均采用了FPN结构,中间通过TCB连接起来,TCB的结构如下图所示:
其中最后一层不需要Deconv.