摘要
Deep CNN具有很强的特征表示能力，但是计算成本高。
而轻量级的网络实时性高，但精度不好。本篇论文中，通过人工设计的机制来增强轻量特征。提出RFB模块来提高特征可辨别性和鲁棒性。我们把RFB模块和SSD结合，构建RFB-Net检测器。为了评测它的有效性，实验在两个主要的benchmarks上进行，并证明了RFB-Net可以达到速度和精度的统一。
理解：好像是通过RFB模块，来提高轻量级网络特征表达能力。从而可以达到既高速又精确的效果。最后通过构建SSD-RFB网络，来证明其有效性。
介绍
1.近年来，R-CNN，Fast R-CNN，Faster R-CNN，在Pascal VOC, MS COCO,and ILSVRC主要比赛和benchmarks上都促进了目标检测的性能。他们将这个问题归纳为一个两阶段问题构建了一个典型的流水线，第一阶段在给定图像中假设类未知对象，第二个阶段根据基于CNN的深度特征对Proposal进行分类。。。。。。
所有这些方法都采用了improved feature来达到更好的效果，然而，这些特征基本来自于深层次的网络，需要很高的计算代价，使得他们速度很低。
理解：本文主要针对于特征来改进，之前那些方法的特征都来源于deep CNN，但是需要花费很多时间，所以非常慢。
2.为了加速检测，单阶段检测框架被提出，object proposal阶段被去掉了。尽管他们速度提高了，但是相对于高水平的两阶段检测器，他们精度下降了10%-40%。最近，DSSD和RetinaNet同时改进了精度，达到了两阶段方法的精度。但他们的性能提升主要由于深度网络ResNet101，这样就会限制效率。
理解：DSSD和RetinaNet实现了高精度，是采用了深度网络特征，那么这样就会限制速度。所以，速度和精度之间是一个trade off，那么怎样想办法使得精度和速度统一起来呢？这篇文章从CNN features入手，使得其即使不经过deep cnn仍然可以保持强大的特征表示能力。
总而言之，好像是网络越深，那么特征越好，但是速度不行。
3.根据上面的讨论，为了构建一个既快速又准确的检测器，一个合适的选择就是引入某种人工设计的机制来提高轻量网络的特征表示能力，而不是一味地增加模型深度。。。。。。
4.
5.
6.我们的贡献可以概括为以下三点：
（1）提出RFB模块，促进轻量CNN网络的深度特征
（2）提出RFB-Net，用RFB代替SSD的最深层的卷积层。
（3）在VOC和COCO上实现了精度和速度的统一。
相关工作
3.感受野
Method
3.1
3.2 RFB
RFB是一个多分支卷积块。内部结构可以被分为两部分，不同卷积核的多分支卷积层
文章脉络：VGG16—>SSD—>RFB-Net，主要解决的问题是特征表示问题，从感受野入手，同时达到了速度和精度和统一。