持續更新~~~

目前大部分的目標檢測網路，包括one-stage和two-stage法，都是直接對用於影象分類的ImageNet預訓練模型進行微調，很少有專門為目標檢測設計的特徵提取器。更重要的是，影象分類和物體檢測之間存在許多差異：
（i）最新的物體探測器如FPN和RetinaNet通常需要影象分類任務以外的部分，來處理目標檢測所關注的物體的尺度問題。
（ii）影象分類只需要識別物體的類別，而目標檢測不僅要對物體進行匪類，還要定位物體的空間位置。 大尺度的降取樣操作增大了感受野，有利於影象分類，但是對於需要定位目標的檢測任務而言就不一定有利，因為降取樣操作會降低影象解析度，丟失了目標的位置資訊，對於大目標的定位和小目標的識別實在不利。
由於分類與檢測任務的各種不同，本文設計了一種專為目標檢測的主幹網路—— DetNet。
由於目標檢測存在物體的尺度問題，DetNetFPN中添加了額外的部分。 與用於ImageNet分類的傳統預訓練模型不同，即使包括額外的部分，我們仍可以保持特徵的空間解析度。為了保持DetNet的效率，我們採用了低複雜度的膨脹瓶頸結構。 通過整合這些改進點，我們的DetNet不僅可以保持高解析度的特徵圖，還可以保留較大的感受野，這兩者對於目標檢測任務都非常重要。