論文地址：https://github.com/sfzhang15/RefineDet
在目標檢測中，RefineDet的檢測精度以及超過了YOLO系列和SSD系列，非常值得深入研究．
針對目標檢測，本文可以看作將 Faster RCNN 和 SSD 融合起來。
1 Introduction
當前基於 CNN 網絡的目標檢測可以分爲兩大類：1） the two-stage approach，2）the one-stage approach
1） the two-stage approach
首先是候選區域的提取，然後是目標的分類和迴歸，這類方法的檢測精度要好於the one-stage approach
2）the one-stage approach
這類方法是通過 regular and dense sampling over locations, scales and aspect ratios，速度快，精度稍微差些，主要原因是 the class imbalance problem，即正負樣本比例嚴重失調
本文提出一個目標檢測框架 RefineDet， to inherit the merits of the two approaches (i.e., one-stage and two-stage approaches) and overcome their shortcomings
Architecture of RefineDet
網絡主要包括兩個相互關聯的模型 Anchor Refinement Module （ARM）和 Object Detection Module（ODM），這兩個模塊通過 transfer connection block (TCB) 聯繫起來。
Anchor Refinement Module （ARM） 可以看作一個簡化的 SSD，這裏只做二分類，即目標的有無，去除一些無物體的候選區域，對位置和尺寸進行大致的調整，爲後面的 ODM 提高一個好的初始化
ARM aims to remove negative anchors so as to reduce search space for the classifier and also coarsely adjust the locations and sizes of anchors
to provide better initialization for the subsequent regressor
Object Detection Module（ODM） 可以看作爲一個 Fast RCNN, 多類別分類是和矩形框迴歸
ODM aims to regress accurate object locations and predict multi-class labels based on the refined anchors
Transfer Connection Block (TCB) 這個模塊可以看作 FCN 中的 deconvolution layers， 將不同網絡層的特徵融合起來
5 Experiments
RefineDet320+ 、RefineDet512+ ： multi-scale testing strategy
