https://arxiv.org/abs/1806.09790v1
图3。CFENet的体系结构及其新模块CFE。（a） 输入尺寸为300×300的CFENet的拓扑结构。（b） CFE模块的层设置，每个框代表一个conv+bn+relu组。
如图3.a所示，CFENet将四个综合特征增强（CFE）模块和两个特征融合块（FFB）组装到原始SSD中。这些附加模块很简单，可以很容易地组装成传统的检测网络。CFE的内部结构如图3.b所示，由两个相似的分支组成。例如，在左分支中，我们使用k×k Conv后跟1×1conv[9]来学习更多的非线性关系，并拓宽接受野。同时将k×k Conv分解为1×k和k×1conv层，既保持了接收场又节省了CFENet的推理时间。另一分支的不同之处在于逆转了1×k和k×1conv层的组合。CFE模块被设计为增强SSD用于检测小对象的浅特征，这实际上是由多个现有模块（如起始模块（20）、XCEPT模块[3 ]、大型可分离模块[8 ]和ResNeXt 块[23 ]驱动的。
基于CFE模块，我们提出了一种新的一级检测器CFENet，它能更有效地检测微小的物体。更具体地说，我们首先分别在Conv4 3和Fc 7的Conv层和Fc 7和Conv6 2的Conv层之间装配两个cfe。此外，我们还将另外两个独立的cfe分别连接到Conv4 3和Fc 7检测分支。由于这两层都比较浅，其学习到的特征仍不利于后一识别过程，我们采用CFE模块来增强Conv4 3和Fc 7的特征。向前一步，特征融合策略总是有助于学习更好的特征，结合原始特征的优势[14，17]。我们也在CFENet中应用了这种方法。在两个ffb的帮助下，通过特征融合生成新的Conv4 3和Fc 7。在实验部分，我们设置了CFE模块的k=7。
