---恢復內容開始---
一、創新點
針對two-stage的速度慢以及one-stage精度不足提出的方法，refinedet 包括三個核心部分：使用TCB來轉換ARM的特征，送入ODM中進行檢測；
兩步級連回歸；過濾較多的負樣本（容易分類的，類似於ohem）。
（1）anchor refine module 和object detect module。前者類似於rpn，用於剔除過多的負樣本和粗略調整anchor位置和尺寸（都是二分類）；后者
將refine過的anchor進行進一步的微調（感覺跟two stage很像，為什么能快呢？答案是沒有像two-stage那樣使用耗時的roi-pooling，該框架為全卷積網絡）。整體結構如下圖
圖1
（2）在兩個部分之間，設計了一個transfor connection block（TCB），如下圖。TCB包括兩個功能，一是轉換ARM的特征，另一個是轉換不同層的特征， 使用deconv來擴大特征，
用於后續特征的 element sum 。這一部分更新是FPN，融合多層特征。
圖2
---恢復內容結束---
（3）ODM
兩步級連回歸，有利於小物體檢測。先使用ARM生成refined anchors boxes，再將其輸入ODM再次回歸和分類。此外還包括負樣本過濾：當負樣本的置信值超過閾值時直接丟棄。
總的來看， 該網絡融合了one-stage 和 two-stage的特點，在ARM階段生成先refined anchor box(類似於RPN)， 在ODM，一方面輸入refined anchor，另一方面融合多層特征（類似FPN）。
(4) loss
損失函數包括ARM loss 和 ODM loss，對於ARM,包括cross-entropy(二分類)和smoth-L1。對於ODM,則是softmax-loss和smoth-L1
(5)實驗
結果還是挺不錯的，在精度上，即使是320×320, mAP也能上80；速度很有優勢，在500*500這一級別上，僅次於yolov2。
參考：https://blog.csdn.net/u014380165/article/details/79502308
（7）網絡結構
以vgg16 320*320為例，主干網絡的conv4_3（512*40*40），conv5_3 (512*20*20)， fc7(1024*10*10), conv6_2(512*5*5)分別對應圖1的主干網絡四個特征圖，用這四個特征圖
1、每個特征圖分別生成mbox_loc、mbox_conf、mbox_priorbox， 並通過concat操作，得到ARM相關的arm_priorbox、arm_loc、arm_conf
2、