論文地址：https://arxiv.org/abs/1908.04646v1
效果：
按照作者的實驗，該模型表現十分突出，遠超cornerNet, 也比CenterNet的性價比高（參數少，準確率略高一點，具體請看圖）
另外是說訓練速度也快一些，且前向時間比CenterNet的快3倍。
聲稱優點：
緩解長寬比例多樣化的問題
類似與FPN，本文也考慮了多尺度問題，但除了尺度特徵圖歸一化，本文把高寬比問題本文也考慮了。
存疑：認爲anchor-base沒有解決這部分問題？（也是加入了各種寬高比例的anchors）。
在anchor-based 方法中，對於長寬比較大或者較小的物體，直接分配到網絡的特徵中去學習，會產生沿某個較短邊上採樣，某個較長邊下采樣的問題（roi align / roi pooling 歸一化）。因此改變了特徵，比如一個橫着的和豎着的刀，歸一化都都被擠壓成接近小正方形的feature map 中。
而本模型可以讓它們各自落在較寬的或者較高的特徵圖上學習。（本來以爲依舊產生了橫向或者縱向壓縮，也是有高度或者寬度上的下采樣和上採樣，但由於使用非正方形的卷積核，所以可以避免一些壓縮）
如下圖：
注：
1、通過下采樣獲得非正方形的特徵圖（使用的是卷積）？？？ 結構時矩陣狀的：矩陣網（MatrixNet的由來）
2、特徵圖之間還有其他連接，但這裏爲了清晰，沒有畫出來。
如圖所示，其中同一行或者同一列的尺寸，下采樣的邊爲之前的1/2關係
self.downsample_transformation_12 = conv3x3(256, 256, padding=1, stride=(1,2))
在5x5的MatrixNets結構中，共引申出9個端點（把網絡拓撲結構看成樹的話）19個可用特徵圖，每個存在特徵圖的格子會取學習尺度和寬高比適應的目標。使得正方形卷積可以平等得收集各個形狀的特徵信息。
筆者，暫時這樣理解：
一個躺着的人和一個站着的人，那麼訓練時他們應該分別匹配特徵圖（4,2）和特徵圖（2,4）,這樣經過尺度和單維度下采樣後，都大致佔據一個正方形的feature map塊，因此再進行後面的卷積後，形成了歸一化特徵。
訓練時候，參考之前faster-rcnn的fpn方式，會挑選恰當的目標在合適的特徵圖上產生誤差（每個特徵圖學到了歸一化的特徵（形狀大小差不多））。
易於移植
matrix架構可以遷移使用，這裏作者以基於關鍵點的檢測任務爲例，命名爲keypoint-
matrixnet（KP-xNet），基於cornerNet的思想修改得來。
作者認爲，當前的單階檢測模型由於只有單輸出層，所以需要強大（猜測主要指容量複雜度，運算量等）的backbone，cornerNet還需要特殊的cornerpooling層，和ebbendding層取匹配出完整目標（比較容易出錯）。作者將embedding layer去掉，轉而直接檢測物體的中心點（這部分類似centerNet的思想）。
看得出來，又加入了不少特徵圖，所以需要進行適當的剪參。後處理運算量增加了，覺得可以根據實際需求設計matrixNet.
思考：
1、感覺本質上還是改進版fpn吧，但合情合理，確實應該有使用價值。
2、之前提到了anchor-based 歸一化產生的短邊上採樣，長邊下采樣，如果當前網絡還是移植到anchor-based架構中，依然需要歸一化，產生這些問題，除非設計多種尺寸的head分支。。。