HyperNet:
提出了一种Proposal提取和目标检测一体的网络，Faster-rcnn中的proposal提取网络RPN由于特征图的粗糙，在小目标及大IOU阈值情况下的检测率低提出HyperNet网络基于设计的Hyper特征，这种特征主要先集合分等级的特征图，然后将其压缩到一个空间。这种Hyper特征同时具有足够深和很好得语义信息。
网络结构:
第一个红色的框（生成Hyper Feature）
跳层提取特征，既能获得高层语义，又可以得到低层高分辨率的位置信息，提高小目标的检测效果。这里说明一下，不同层提出了不同的采样策略，在层次较低的卷积层采用最大池化，对层次较高的卷积层添加一个反卷积操作来进行上采样。最后要使用LRN归一化多个Feature map。LRN是必须的，因为不同层的Feature 分辨率不同，如果不适用LRN的话，norm大的Feature会压制住norm小的Feature。
第二个红色的框（生成Region proposal）:
设计了一个轻量级的ConvNet来生成region proposal，这个轻量级的卷积网络包含了一个ROIpolling层，一个卷积层和一个全连接层和两个并行的输出层，scoring分类层和bbox reg层。对于每个图像，网络生成约30k左右个具有不同大小和比例的Candidata boxes，ROI Pooling层对每个输出顶端，一个将ROI位置编码成抽象的（13×13×4）的抽象特征立方体，另一个层将每个立方体编码成一个256-d的短特征向量，这个网络对每个Candidata box有两个输出层。注:在进入ROIPooling层之前，先将候选框选好然后送入ROIPooling层。这里再ROIPooling层之前加入3×3×4的卷积层可以提高速度。
第三个红色的框（object Detection）:
这里就是FC-Dropout-FC-Dropout结构了，在FC层之前加了一个（3×3×63）的卷积层，目的是增强分类，也可以降低特征的维度。这里Dropout的比例从0.5改为0.25