中国绅学我术大草 实验框架：Resnet+FPN 作者为了测试所提出的损失函数的性能，在网络结构上没有做过多的设计。检测所利用的网络结构是 Resnet+FPN,设计了两路分支分别用来得到检测框以及检测结果的置信度，并将此结构命名为RetinaNet。 Anchors:作者用了translation-invariant anchor boxes平移不变anchor,在每个金字塔层，作者用的长宽比 是{1：2,1：l,2:1}。在每层，对于三个长宽比的anchor,加了anchor的形状的{20,2{1/3}，2^2/3}}的 anchor。对于每层，有A=9个anchor。 Classification Subnet:分类子网络在每个空间位置，为A个anchor和K个类别，预测目标存在的概率。子 网络的参数在整个金字塔的层间共享。 Box Regression Subnet:与object classification子网络平行，作者在金字塔每个层都接到一个的FCN上， 意图回归每个anchor box.对邻近ground truth object的偏移量。实验框架：Resnet + FPN 作者为了测试所提出的损失函数的性能，在网络结构上没有做过多的设计。检测所利用的网络结构是 Resnet + FPN，设计了两路分支分别用来得到检测框以及检测结果的置信度，并将此结构命名为RetinaNet。 Anchors:作者用了translation-invariant anchor boxes 平移不变anchor，在每个金字塔层，作者用的长宽比 是{ 1:2, 1:1, 2:1 }。在每层，对于三个长宽比的anchor，加了anchor的形状的{ 2^0, 2^{1/3}, 2^{2/3} }的 anchor。对于每层，有A=9个anchor。 Classification Subnet:分类子网络在每个空间位置，为A个anchor和K个类别，预测目标存在的概率。子 网络的参数在整个金字塔的层间共享。 Box Regression Subnet:与object classification子网络平行，作者在金字塔每个层都接到一个的FCN上， 意图回归每个anchor box对邻近ground truth object的偏移量