1.原版SSD
2.tinyDSOD
結合DenseNet和深度可分離卷積，提出了Depthwise dense block (DDB) ；
結合FPN和深度可分離卷積，提出了D-FPN；
結合提出的Depthwise dense block (DDB)和D-FPN，提出Tiny-DSOD。
3.RefineDet
Two Stage 的精度優勢
二階段的分類：二步法的第一步在分類時，正負樣本是極不平衡的，導致分類器訓練比較困難，這也是一步法效果不如二步法的原因之一，也是focal loss的motivation。而第二步在分類時，由於第一步濾掉了絕大部分的負樣本，送給第二步分類的proposal中，正負樣本比例已經比較平衡了，所以第二步分類中不存在正負樣本極度不平衡的問題。即二步法可以在很大程度上，緩和正負樣本極度不平衡的分類問題。
二階段的迴歸：二步法中，第一步會先對初始候選框進行校正，然後把校正過的候選框送給第二步，作爲第二步校正的初始候選框，再讓第二步進一步校正。
二階段的特徵：在二步法中，第一步和第二步法，除了共享的特徵外，他們都有自己獨有的特徵，專注於自身的任務。具體來說，這兩個步驟獨有的特徵，分別處理着不同難度的任務，如第一步中的特徵，專注於處理二分類任務（區分前景和背景）和粗略的迴歸問題；第二步的特徵，專注於處理多分類任務和精確的迴歸問題
特徵校準：在二步法中，有一個很重要的RoIPooling扣特徵的操作，它把候選區域對應的特徵摳出來，達到了特徵校準的目的，而一步法中，特徵是對不齊的。
這個是RefineDet的檢測框架。該框架由兩個模塊組成，即上面的Anchor Refinement Module（ARM）和下面的Object Detection Module（ODM），它倆是由Transfer Connection Block（TCB）連接。
• 在這個框架中，ARM模塊專注於二分類任務，爲後續ODM模塊過濾掉大量簡單的負樣本；同時進行初級的邊框校正，爲後續的ODM模塊提供更好的邊框迴歸起點。ARM模塊模擬的是二步法中第一個步驟，如Faster R-CNN的RPN。
•ODM模塊把ARM優化過的anchor作爲輸入，專注於多分類任務和進一步的邊框校正。它模擬的是二步法中的第二個步驟，如Faster R-CNN的Fast R-CNN。
• 其中ODM模塊沒有使用類似逐候選區域RoIPooling的耗時操作，而是直接通過TCB連接，轉換ARM的特徵，並融合高層的特徵，以得到感受野豐富、細節充足、內容抽象的特徵，用於進一步的分類和迴歸。因此RefineDet屬於一步法，但是具備了二步法的二階段分類、二階段迴歸、二階段特徵這3個優勢。
關於RefineDet是否爲單階段
二步法之所以精度比較高，是因爲它有一個逐區域操作的第二步，這個操作非常有效果，但也比較耗時，而RefineDet在沒有用逐區域操作的情況下，獲得了同等的效果。因此我們認爲，區分一步法和二步法的關鍵點：是否有逐區域的操作。
速度和SSD相近，精度明顯更高，精度更高沒什麼好說的，速度在多了下面一部分卷積層和反捲積層的情況下沒有明顯下降，作者分析有兩點原因：
1. 我們使用了較少的anchor，如512尺度下，我們總共有1.6W個框，而SSD有2.5W個框。我們使用較少anchor也能達到高精度的原因是二階段迴歸。雖然我們總共預設了4個尺度（32，,64，128，256,）和3個比例（0.5，1，2），但是經過第一階段的迴歸後，預設的anchor被極大的豐富了，因此用於第二階段迴歸的anchor，具備着豐富的尺度和比例。
2. 第2個原因是，由於顯存限制，我們只在基礎網絡的基礎上，新加了很少的卷積層，並只選了4個卷積層作爲檢測層。如果增加更多卷積層，並選擇更多檢測層，效果應該還能得到進一步提升。
參考文獻：