内容参考链接：AI之路——RFB算法笔记
RFBNet高精度检测算法笔记

RFBnet的backbone是Vgg16的SSD（RFB的含义是receptive fields block）
下图中的虚线部分即为网络结构：
目标检测——RFB学习
内部结构=多分支卷积+膨胀卷积
多分支卷积：

  1. 瓶颈结构 1x1-s2 卷积 减少通道特征+nxn卷积

  2. 5x5卷积——>两个3x3 减少参数 然后是更深得非线性层 short cut 直连设计来自于resnet和inception resnet v2

  3. 为了输出卷积stride=2 减少通道 直连层用一个不带非线性**的1x1卷积层

膨胀卷积（起源于deeplab）：

每个分支都是正常卷积x1+膨胀卷积x1（区别是尺寸和膨胀因子不同）

RFBnet检测结构：

SSD中嵌入RFB模块（可以使轻量级主干SSD更快更准）替换顶层卷积层为RFB（VGG16里的fc6/fc7改成卷积层用于下采样，pool5从2x2-s2 改成3x3-s1膨胀卷积用来填充空缺和dropout层 并移除f8）
RFBNet中用RFB-b模块替换了L2归一化，达到从前面卷积层获取包含小目标的底层特征图。

两种RFB结构示意图：
目标检测——RFB学习
RFB-s比RFB的改进之处：（主要目的是减少计算量）

  • RFB-s引进了三个dilated卷积层（conv 3x3;rate=1）
  • RFB-s用3x3卷积替代5x5卷积；用1x3 conv +3x1 conv 代替3x3 conv

别人评价：比Yolov3检测速度要慢 召回率高1.5% 精度低3%