Enhancement of SSD by concatenating feature maps for object detection
BMVC 2017
本文是对SSD 的改进，通过牺牲一点速度来提高精度，主要解决SSD 两个问题：1）同一目标多次检测，2）小目标检测率不高
改进的地方：
1）将不同尺度的 特征图 融合起来；
2）增加 feature pyramid 网络层的特征图数量；
3）因为不同尺度特征图数量一样，可以对不同尺度特征图使用一个分类器
SSD 不同尺度的特征图是独立的，没有联系起来，导致同一目标在不同尺度上都被检测出来，进而导致同一目标多次检测
ConventionalSSDvs. theproposedRainbowSSD(R-SSD) 
feature concatenation 
这里介绍了三种特征图融合的方式：
1） pooling， 从前往后增加特征图，归一化尺寸
2） 借鉴图像分割中的 deconvolution， 从后往前增加特征图，归一化尺寸
3）本文的 Rainbow concatenation=pooling+deconvolution，这样每一个尺度的特征图数量都是一样的，这就导致后面可以使用一个分类器在不同尺度上检测
By using a single classifier, improvement on the generalization performance can be expected, and it can be effectively used for datasets with size
imbalance or for small datasets.
Increasing number of channels 
The number of channels in each convolution layer are set to be 2 to 8 times larger than the original network
不同尺寸的目标检测精度 
本文链接：http://task.lmcjl.com/news/5432.html
