A Unified Multi-Scale Deep Convolutional Neural Network for Fast Object Detection
MS-CNN就是将faster RCNN进行multi scale化，从而提高对 small object的判断能力。
总的来说，目前的object detection主要分为这几种不同的detection strategies。
分析， a方法获得最高的准确率，但是因为computation costly。b方法的可以减少计算，但是需要不同scale的classifications，且detect效果较差。接着的方法都是在complexity与accuracy之间取得一个trade-off。
本文的方法的结构是：
该CNN的网络结构是在不同的层进行一个Object Detection sub-network
其中Object Detection sub-network 的结构是：
整个结构就是 faster RCNN的multi-scale版本。
因为越浅层的branch反馈的梯度，对主干network的影响越大。这样会造成训练的不稳定。
The Buffer Convolution 层防止branch的梯度直接回传到主干上。
（1）， loss
Loss 可以被定义为：
其中M是detection branches的数量，alpha是对应loss的权值。
对应的每一个detection layer的loss定义为：
且
最优的parameter：
来源于 SGD的学习。
（2）， sampling
对于每一个detection layer m 都有一个training samples Sm = {Sm+, Sm-}, 对于一个image，object和no-object的分布式非常不平衡的，所以采用sampling来消弭这种不平衡。
有三种sampling strategy： random， boostrappinig和 mixture。在paper中的实验说明，mixture sampling 和 bootstrapping的表现相近。
（3）， detection sub-network
Deconvolutional layer， 起到一个higher resolution的作用，更加适合于location-aware bounding box regression。Upsampling feature maps使用了deconvolution layer，实验证明了，添加了deconvolution layer之后，detection 效果得到了明显提高，尤其是对小的object。
还有一个创新点是： context embedding，在paper中是context from multiple regions，其中 context region 是object region的1.5倍大小。这样就起到了一个上下文的作用。
最后一个Conv层是减小model参数的作用，对feature map的一个降维作用。
当然，MS-CNN取得了高的detection rates同时达到速度提高到 15fps。 在硬件条件越发好的条件下与faster RCNN 比，performance还是较为好的