论文：Receptive Field Block Net for Accurate and Fast Object Detection
论文链接：https://arxiv.org/abs/1711.07767
代码链接：https://github.com/ruinmessi/RFBNet
概要：ECCV2018目标检测的文章，兼顾速度的同时达到了良好的准确度。该网络是在SSD网络的基础上进行修改的，在SSD网络中引入了Receptive Field Blcok(RFB)。
1、传统的SSD算法
ssd算法是一种one-stage的目标检测算法，没有proposal，直接从不同深度的feature map上进行特征的综合。
前面特征提取部分可以是VGG16这种网络，把VGG网络后面的全连接层换成卷积层再加上几层卷积层。看源码时，对于VGG网络的改动要注意。
对于从不同深度对feature map进行检测，这个在后来的YOLO V2、V3上也是很常见的。
对于（bacth_size,channel,H,W）的feature map而言，一个cell中有k个默认的anchor，每个anchor包含C个类别的score和4个offset,还有一个有无目标的置信度p。显然chnnel =k*(C+1+4)。
作者的实验表明，default anchors的类型越多，效果越好。
这个地方需要说明一下，比如Yolo V3有9个default anchors，这个9个大小不同，大的anchors检测大目标，小的anchors检测小目标。9个分布在3个不同level的feature map上。
感觉这个地方Yolo v3的处理方式是可以借鉴的，根据聚类结果去分配每个groun truth所对应的default anchors。
2、RFB
dilated convolution 带孔卷积
图(b)所示为dilated = 2所示的情况
RFB结构
图（b）中用1*3和3*1代替了3*3，用3*3代替了5*5.