前言
1.本文重点是RFB模块（Receptive Field Block），尽量用较少篇幅表达清楚论文算法，其他一些不影响理解算法的东西不做赘述
2.博客主要是学习记录，为了更好理解和方便以后查看，当然如果能为别人提供帮助就更好了，如果有不对的地方请指正（论文中的链接是我经过大量搜索，个人认为讲解最清楚的参考）
创新点
1.结合人类视觉系统，提出RFB模块
2.将RFB模块用于SSD,提出RFB Net
问题引出
我们都知道一刀流比二刀流快，但是精度不如二刀流；目前一些使用强大主干网络（如ResNet-101）的一刀流精度已经可以媲美二刀流，但是，因为主干网络计算量太大，导致耗时增加，算法又变慢了；所以作者就想引入某些手工机制来增强轻量级网络的特征表示能力，而不是顽固地深化模型；作者结合人类视觉认知（一堆生物学知识，不知道说的啥，反正弄懂本文算法就行），提出Receptive Field Block
RFB模块
1.RFB 工作原理
上图中间虚线框内是RFB，是由不同尺寸卷积核的卷积层构成的多分枝结构，类似Inception结构；区别是Inception中使用的卷积核只是不同尺度的正常卷积核，而本文借鉴人类视觉中不同的感受野应该具备不同的离心率的概念，使用dilated卷积核，就像图中的不同rate对应不同尺寸的空洞，rate越大，空洞尺寸越大，采样点离中心点越远（尽可能地分布地比较散而不是像Inception那样kernel大小变化了仍然聚在一起）感受野（一般的CNN每层的感受野都是固定的，这会损失一些信息，失去对不同视野的分辨能力，比如靠近中心部分的更重要、需要被强化等）就越大，最后将不同尺寸和rate的卷积层输出进行concat，达到融合不同特征的目的
2.RFB 结构
（a）就是RFB结构，借鉴Inception结构，1x1的Conv和Inception一样，主要用于减少计算量和进行跨通道的信息融合，主要不同点在于引入3个dilated卷积层（比如3x3conv, rate=1）。（b）是（a）的改进，3x3卷积层代替5x5卷积层，并且用1x3和3x1卷积层代替3x3卷积层，主要目的应该是为了减少计算量
RFB Net 网络结构
现在虽然有很多轻量级的主干网络（如darknet），但是作者为了方便与SSD进行对比使用了VGG16
网络结构是基于SSD改的，改动有两点：
1.SSD用于特征抽取的倒数第三四层替换为RFB模块
2.原来的conv4_3层和conv7_fc层分别接RFB-s和RFB结构进行处理
其他
其他的和SSD就没啥区别了，文章主要就是提出RFB