一、简介
1、RefineDet综合了one-stage和two-stage的优点从而能够提高检测效果。主要包括two-stage算法对box由粗到细的回归思想和FPN中的特征融合思想来提升小物体的检测效果。
2、可以看做是SSD算法、RPN网络和FPN算法的结合。
二、参考
2018CVPR： Single-Shot Refinement Neural Network for Object Detection
论文：https://arxiv.org/abs/1711.06897
代码：https://github.com/sfzhang15/RefineDet
三、网络结构
主要由三部分组成，分别是anchor refinement module (ARM) 、object detection module (ODM)、transfer connection block (TCB)
1、ARM
类似于RPN网络，用来初步得到bbox，同时去除一些负样本。采用多层特征输入，分两路进行损失函数的计算，分类和边界回归，这一层主要是进行粗略的筛选（具体的细节未知，与精细的筛选有什么区别未知）
2、TCB
将ARM输出的特征图转成ODM的输入（为什么要转未知），中间进行了多层特征的融合。
3、ODM
相当于是SSD（需要复习一下），不同点是输入anchors是ARM模块得到的，且在SSD的基础上添加了FPN中的特征融合思想，对小物体的检测更加准确。
这里和SSD最主要区别就在于SSD是直接在default box的基础上进行回归的，而RefineDet是通过ARM得到的anchors来进行回归的，这相当于就是把two-stage模型的优点整合到了one-stage模型中。
四、损失函数
损失函数较为简单，分为ARM和ODM两个部分的分类和边界回归损失，与SSD的损失函数大体相同，这里采用end-to-end的训练模式。
五、模型效果
六、总结
1、结合了one-stage和two-stage的检测模型，检测效果得到提升
2、是对SSD的改进，增加了对SSD中default box的优化，变为了由ARM模块得到refined anchors来进行检测。