论文：Lightweight Deep Neural Networks for Real-time Object Detection
Github：PVANet
C++ Demo ：PVANet_CPP
Abstract
许多目标检测问题中，算法的运行速度和精度同等重要。本文主要针对的就是算法的运算速度提升问题。作者提出了一个轻量级的网络，取得了state-of-the-art的效果。网络基于基本的设计原则：more layers with less channels. 此外，作者利用C.ReLU和Inception structure减少网络的冗余。
Introduction
Network compression and decomposition of convolution 表明：现在的网络结构是高度冗余的，所以减少冗余就成为了一种提升网络运行速度最直接的方式。作者提出的网络结构概要：
- 基于more layers with less channels的基本原则。
- 在网络初始几层采用C.ReLU，在后面几层采用Inception structure.
- 应用多尺度特征级联maximize the multi-scale nature of object detection tasks.
- 权重衰减策略采用plateau detection(一定迭代次数内loss不再下降，则将学习速率降低常数倍)
PVANet通过batch normalization, residual connections可以实现高效的训练。
PVANet结构介绍
PVANet网络可以分成两部分来看：特征抽取网络和检测网络。
1. 特征抽取网络
网络的总体结构如下所示，KxK的C.ReLU表示1×1 – KxK – 1×1的卷积层的堆叠：
PVANet特征提取部分
特征提取网络由两个building block组成，即mC.ReLU和Inception structure：
PVANet-building-block
特征抽取网络有以下三个关键点：
- Modified C.ReLU
C.ReLU的设计思路来源于对CNN中的activation patterns的观察。具体什么意思没太看懂。总之作者在C.ReLU的基础上添加了一个bias layer，这使得两个相关的滤波器可以有不同的bias value。 - Inception structure
作者发现Inception structure在捕获图像中的小目标，大目标方面是最高效（计算方面高效）的手段之一。
为了捕获图像中的大目标，需要足够大的感受野，这个可以通过堆叠3×3的滤波器来达到。但是为了捕获小目标，则需要小一点的感受野，1×1的卷积核正好合适。可以避免大卷积核造成的参数冗余问题。基于上述两点，Inception structure用于目标检测是非常合适的。 - Deep network training
网络训练用了以下几个技巧：
1.在Inception模块加入残差连接(residual structures with pre-activation)
2.Batch normalization
3.权重衰减策略采用plateau detection
2.目标检测网络
在这部分，作者基本沿用了Faster R-CNN的框架，PVANet总体结构如下所示：
值得一提的是，作者输入RPN的feature maps只有128个，因为作者发现用128个效果和用512个是一样的，精度并没有损失。但是作者没有给出为什么，个人觉得应该是特征图冗余的原因吧，大部分网络都是有很多优化空间的。
此外，feature map 经过ROI之后产生一个6 x 6 x 512的张量。之后通过4096-4096-(21 + 84)的全连接层输出结果。正是因为这里用的是全连接层，所以给后面模型进一步压缩（且不损失精度）提供了机会。这也是Github所提供的compressed模型的由来。
实验结果
模型训练
模型在ImageNet 2012分类数据库预训练，中间有一些裁剪啦，学习速率调整之类的，此处不再赘述。
模型的fintuning训练在目标检测数据库上训练，具体可以看论文。
此外，作者还利用了Bounding box投票得到了PVANet+模型，以及优化前面所说的全连接层得到了PVANet compressed。
实验结果
mAP基本上和state of art的网络差不多啦，而且还是像题目所说的，轻量级，实时的网络！
结论
本文提出了一个轻量级的网络，取得了state of art的结果。此外，本网络结果的设计完全独立于network compression and quantization. 因此，还可以进一步利用最近的模型压缩技术来提升性能。例如，基于现有网络应用truncated SVD就可以实现显著的运行时间提升！
总的来说，作者的创新着重于特征提取部分，使用了时下各种流行的技术。Batch Normalization, C.ReLI, Inception structure, Residual connected。相比与R-FCN，SSD这些引入新的检测网络是完全不同的思路。因此可以考虑将作者提出的高效的特征提取网络和FCN， SSD这些网络的检测网络部分结合起来，实现进一步的性能提升。
