對於目標檢測網路，two-stages 精度高，one-stage速度快。
two-stages 第一步產生一系列的候選框，候選框產生方法有Selective Search、EdgeBoxes、DeepMask、RPN），然後第二步再進行分類迴歸。代表方法有Faster RCNN R-FCN FPN Mask R-CNN 。
one-stage 在feature map的每個cell中產生候選框的同時進行分類迴歸，一步完成。代表方法有SSD Yolo Yolov2 DSSD等。
one-stage速度快，但是由於正負樣本不平衡，同時一步迴歸，所以精度比two-stages的方法差。
Refinedet 綜合兩者的特點，該網路有兩個模組構成，直接上圖：

第一個是anchor refinement module
1）過濾掉部分負樣本候選框，減小分類器的搜尋範圍。
2）粗調整候選框的位置和大小
第二個是object detection module
1）對候選框進行分類和精調

兩個模組中間有一個連線模組transfer connection block
1) 進行特徵層的融合，將高語義層上取樣與上一層進行融合，提高底特徵層的語義資訊。上取樣通過反捲積進行。

該網路主要有三個特點
1）利用TCB模組進行類似FPN 的特徵融合，提高低層語義資訊，有利於小物體檢測
2）兩步級聯迴歸，提升框的質量，在ARM模組中利用SSD二分類網路做PRN的

給出網路的結果

下面看看Refinedet512和SSD512的小目標對比
RefineDet512



SSD512