1 前言
主要貢獻：
（1）第一個分析微調傳統ImageNet預訓練模型應用於目標檢測器的固有缺點
（2）提出一個名為DetNet的新的骨干結構，它通過保持空間分辨率和擴大感受野的方式來專門設計用於目標檢測任務
（3）基於低復雜度的DetNet59骨干結構，在MSCOCO目標檢測和實例分割追蹤數據集上實現了新的最先進的效果
3 DetNet
3.1 目的
傳統骨干網絡有三個缺點：
（1）網絡階段數不同
（2）大目標定位不准確
（3）小目標很難發現
3.2 DetNet設計
DetNet59細節設計如下：
（1）在FPN結構中應用的骨干網絡中引入了額外的階段，比如P6階段。同時，即使在階段4之后16x的空間分辨率依舊固定不變。
（2）空間尺度在階段4之后是不變的，他們在階段4后引入了新的階段，每個階段開始是一個帶1x1卷積投射的擴張瓶頸（Fig.2 B），他們發現在Fig.2 B中的結構在類似FPN這種多階段的檢測器中有重要作用。
（3）他們把帶擴張卷積的瓶頸結構作為基礎網絡模塊，以此有效擴大感受野。又由於擴張卷積仍然很耗時，於是把階段5和階段6的通道數設置成和階段4一樣（256瓶頸模塊輸入通道）這和每到下一階段就會擴大一倍通道數的傳統骨干設計不一樣。
5 結論
在這篇論文中，他們專門為目標檢測任務設計了一種新的骨干網絡。傳統的骨干網絡一般是針對分類任務設計的，遷移到目標檢測任務中會有一層隔閡。為了克服這個問題，他們提出了一種叫做“DetNet”的新骨干網絡結構，不僅對分類任務有優化，也對定位很有幫助。如表7、8所示，DetNet在基於COCO標准庫的目標檢測和實例分割任務上均有優秀表現。
