YOLOF
摘要
文中讨论FPN成功在于分而治之而不是特征融合。文中从另一个角度解决这个问题，只使用一层的特征信息。文中有两个主要因素扩张encoder、统一匹配。且608x608的图片在2080TI能够达到60fps。
为什么要去FPN, 因为造成显存冗余、检测器复杂、以及 降低推理速度。 对比flops（浮点运算数量）FPN有134G 和 一维特征6G. 显存冗余明显。推理速度为13FPS和34FPS对比。 但是一维特征会导致精度低，研究发现精度低的原因在于最后一层输出尺度小、以及单层anchor小于多层anchor。
文中改进
- 解决输出尺度单一问题，使用扩张卷积将不同感受野的特征结合一起。 引入了扩张encoder结构。
（图没有办法上传，清自行下载论文看图）
这类encoder结构分成了两个部分，projector以及残差block。
Projector 将预测层首先使用1x1卷积，降低channel 维度。然后接一个3x3卷积改进上下文语义。 这一部分和FPN非常相似。 集成4类膨胀3x3卷积残差block。生成不同感受野的输出特征。
- Positive Anchor不均衡问题，单尺度输出面临着positive Anchor不足的问题。 使得小尺度检测出现遗漏。对每一个ground truth使用k紧邻，对每个ground truth 给予相同的anchor 数量。 其中IOU>0.7的negative 以及IOU<0.15的positive 忽略。
YOLOF 结构
结构分成三个部分，backbone、encoder、decoder。
Backbone: 一般使用ResNet、ResNext的最后一层输出，2048维channel。下采样5次。
Encoder: 首先基于projector 将channel从2048维降低到512维， 之后的残差卷积下降4倍。
Decoder: 使用两个平行分支，一个平行分支用于回归定位，另一个分支用于分类。其中回归使用4个 卷积+BN+RELU的结构。 分类使用2个 卷积+BN+RELU的结构。
对回归head的每一个anchor增加一个隐式预测对象。 分类是和隐式对象相乘的一个输出。
（图没有办法上传，清自行下载论文看图）