Single-Shot Refinement Neural Network for Object Detection+Dynamic Anchor Feature Selection for Single-Shot Object Detection
两个文章都是关于物体检测的，第二篇文章在第一篇文章的基础上进行的。
-
Single-Shot Refinement Neural Network for Object Detection
作者认为如果Single-Stage的网络借鉴Two-Stage网络中的设计理念，可以进一步提高检测精度，同时又不失去检测速度。Two-Stage网络相对于Single-Stage网络的效果好主要有以下几个原因：
（1）两阶段可以筛选掉一些negative，进而解决类别不平衡问题。
（2）两次回归边界框。
（3）使用两阶段特性来描述对象。
如果将这种设计思路运用到Single-Stage网络中，那么最终的网络既有Single-Stage的速度，又有Two-Stage的准确度，这也是本文所做的工作。网路设计图如下：
网络主要由三部分组成：Anchor Refinement Moudle；Transfer Connection Block；Object Detection Moudle
-Anchor Refinement Moudle
ARM模块类似于Faster RCNN中的RPN模块，主要用来产生proposal，并对anchor进行初步的筛选和微调。ARM模块的输出是anchor的微调回归向量和前景/背景的概率。这样设计，通过前景/背景概率就可以对anchor进行筛选，过滤掉一些negative的anchor，从而解决类别不平衡问题。同时还可以对anchor进行粗略的修正。
-Object Detection Moudle
ODM模块主要接受来自ARM模块经过调整后的anchor，ODM和ARM模块有着相同的feature-map-size，将调整过后的anchor输入到ODM模块，抽取对应区域的feature map进行分类和回归。
-Transfer Connection Block
TCB模块主要是用来连接ARM和ODM模块，TCB结构如图所示：
-
Dynamic Anchor Feature Selection for Single-Shot Object Detection
本文是在RefineDet的基础上进行的改进，主要创新点有两方面：
（1）ARM调整后的anchor在ODM模块中会自动选择特征区域（ Dynamic Feature selection）。
（2）使用Bidirectional feature fusion（BFF）代替TCB模块，既将高层特征融合到底层，也将底层特征融合到高层。
RefineDet中使用ARM模块对anchor进行微调，然后将微调后的anchor送到ODM模块中进一步的预测。但是，对比ODM模块和SSD就会发现。ODM中输入的anchor尺寸不在是固定的，而是经过调整之后的。也就是说，在SSD中anchor的W，H是一个标量，但在ODM却成了一个变量。更为重要的是，anchor成为一个变量后，ODM中的输入并没有发生变化，依旧是原始未经过调整anchor对应的feature-map（我是这么理解的），这种不对等性限制了网络的性能。
所以文章借鉴了ROIAlign策略，使得调整后的anchor可以自动的选择feature points
对于RefineDet中的TCB模块之进行了高层特征到底层的融合，而在本文中，还进行了底层特征到高层的融合，主要使用的是BFF（Bidirectional feature fusion）模块，网络整体结构如下：