RFBNet

论文链接：https://arxiv.org/abs/1711.07767

RFBNet整体是在SSD的基础上面进行修改的

网络结构：

和SSD不同的是：1、主干网上用两个RFB结构替换原来新增的两层。2、conv4_3和conv7_fc在接预测层之前分别接RFB-s和RFB结构。

引入RFB的出发点通过模拟人类视觉的感受野加强网络的特征提取能力

Inception：通过采用不同的branch用不同的kernel size去获取多尺度信息，而且所有的内核都在同一个中心采样，这就要求更大的内核达到相同的采样覆盖率，从而丢失了一些关键的细节

ASPP：膨胀卷积改变了距离中心的采样距离，但是特征图通过相同的kernel size之后具有一致的的分辨率，对所有位置的线索细节都一视同仁，这可能导致了对象和上下文之间的混淆

Deformable Conv：学习单个对象的独特分辨率.

RFB：与它们不同，它强调了RF大小与菊花形状的偏心量之间的关系，在菊花形状中，较小的内核将较大的权重分配给离中心较近的位置，声称它们比较远的内核更重要。