论文：FSSD: Feature Fusion Single Shot Multibox Detector
caffe实现：链接
该篇论文出自北航，看起来比较容易懂，因此笔记会写的简单一点。
Introduction
言归正传，本文是以SSD为基底进行“改造”的一篇文章。SSD是从网络的不同层中抽取不同scale的feature直接做predict，所以没有充分融合不同scale的feature。后续有提出DSSD，RSSD等改进方法，但是因为模型的complexity导致速度变慢很多。本文借鉴了FPN的思想，重构了一组pyramid feature map，使得算法的精度有了明显的提升，速度也没有太降。先看一张图直观感受一下FSSD对比其它算法的效果。
Approach
对比下图中几种结构：
(a)中棕色的block之间没有联系，所以是使用不同scale的图片来生成不同scale的feature map进行predict，这是最不高效的一种方法；
(b)代表faster rcnn之类的two-stage算法，利用某一个scale的feature map来生成多scale的anchors去检测multi-scale objects；
(c)是典型的Top-Down结构，FPN为代表网络。该结构在此不做赘述，有不清楚的移步这里。DSSD也是该网络结构的应用；
(d)是SSD的结构代表图，从网络不同层抽取不同scale的feature做预测，这种方式不会增加额外的计算量，但是各个scale之间没有联系；
(e)是FSSD的结构图，就是把网络中某些feature调整为同一szie再 contact，得到一个像素层，以此层为base layer来生成pyramid feature map，作者称之为Feature Fusion Module。
下面解释一下Feature Fusion Module。作者用一组公式表示整个过程：
对公式的字母含义进行说明：
1. Xi 是前置网络中希望融合的feature map，作者在文中说明了size小于10的feature map能合并的信息太少了，因此不做考虑，此外将conv6-2的stride设为1，这样conv7-2的size就是10了（给出FSSD的网络结构链接），所以选择 conv4-3 (38*38) ,fc7 , conv7-2输出的feature map来进行融合（为什么非用7-2，难道原始s=2的6-2用起来效果很差？作者没有说明）。至于为什么不用conv3-3的特征，可以对比Tab 2的2,3行看出；
2. Ti 表示对feature map进行降采样或者上采样方法的选择，目的让其scale一致。FSSD中均采用billnear将fc7 , conv7-2的scale统一为38；
3. φf 是选择对scale一致的feature map进行Contact还是Element-wise sum。目的是融合feature map生成一个scale的feature，FSSD应用了concact，可对比Tab 2的2,7两行看出；
4. φp是如何利用得到的feature重构一组predict layer，也即Pyramid feature maps，作者实验了Fig 3中的三种结构，其中棕色的block用来做predict，第一个结构使用fusion feature map作为第一层，第二个是fusion feature map接了个3*3卷积后作为第一层，最后一个结构是对于每一个predict层都先用1*1卷积来降低计算量，也就是bottleneck layer。从Tab 1可以看出中间的效果最好。
FSSD网络的结构如下图所示，也贴出notescop链接
Experiment
实验不贴那么多了，贴一个在COCO上的对比图，从IOU[0.5:0.95]中可以看出FSSD的精度比SSD要高，但是比DSSD要低一点，因此FSSD中将VGG换成Resnet，也是接下来勇于探索的小伙伴的一个方向~
至于速度的话，在笔记的最开始的一张图中已经贴出，FSSD的速度稍慢于SSD，但比DSSD要快不少。毕竟FSSD模型的complexity较SSD增大不少，这也从侧面印证了speed和acc难以兼得呀！
总结：本文其实就是SSD+FPN，acc提升是可想而知，speed降低当然也是显而易见。本文提出的结构也不难想，实验也可以完成，所以以后有想法了还是要赶紧实现啊！还有以后看论文也要像今天这样，半天看完论文，2个小时完成笔记~