论文：Receptive Field Block Net for Accurate and Fast Object Detection
发表时间：2018
发表作者：(Beihang University)Songtao Liu, Di Huang, Yunhong Wang
发表刊物/会议：ECCV
论文链接：论文链接
一些检测论文会依赖很深的 CNN 网络来提升效果，但此类网络会牺牲运行速度。在 RFB 论文中，作者由视觉感受野（Receptive Fields）出发提出了感受野 RFB 模块（Receptive Fields Block）。通过膨胀卷积和增加 Inception 结构等方法使得网络结构的感受野变大，这样可以在不增加网络深度的前提下保持较高的检测效果和较快的运行速度。
本文强调通过人为设计机制，使用轻量级网络来实现其高准确性和高速率。提出RFB模块进行人类视觉系统的大小和离心率的模拟，旨在增强轻量级CNN网络的深层特征。将RFB模块集成到SSD网络结构的顶端卷积层，在控制计算损失的情况下准确度有一定提升。通过将其连接到MobileNet证明其通用能力。
框架
通过改进 SSD 特征提取网络，使卷积核的感受野可以覆盖更多范围，提升检测效果。算法主要是对网络中卷积的结构进行改进，相当于把 SSD 的基础网络替换为一个类似于 Inception 的网络，并将普通卷积改为了膨胀卷积，使得每个卷积的感受野变得更大。RBF 网络通过模仿人类感受野使基础网络可以学到更多尺度的信息，从而在不增加参数的前提下提升准确率。
RFBNet 主要创新可以参考以下两张图：