是图森大佬王乃岩的，感觉可以借鉴一下，不知道用到ssd上会不会work，他们用的都是两阶段的faster-rcnn

这个最后挂名的是 zhaoxiang zhang 张兆翔 现在是中科院的教授 09年博士毕业，谭铁牛的学生。感觉学术圈真的是，一定要抱对大佬的腿。有大佬，还有自身努力，活的才容易一些。

motivation的话，还是从scale variation出发，针对不同大小的物体，感受野应该是不同的。现有的方法1.从multi-scale image pyramid 出发（有直接就多尺度训练的，还有的就是SNIP这样，每次都选一定范围内scale的。2.用feature pyramid来逼近image pyramid 比如ssd和fpn.本文的话用的是空洞卷积来创建 multi branch，然后再借鉴scale-aware的思路，构建trident network。

motivation很简单，but 根据论文来看，效果也是真的好。

论文的第一部分先验证了感受野大小对检测的影响

可以看到，感受野越大，对大目标越友好。目标大小的划分small (less than 32×32), medium (from32×32 to 96×96) and large(greater than 96×96) sizes

所以，就提出了用 multi branch 来兼顾多个尺度。

multi branch 之间share weight 不知道代码是怎么实现的，前面的weigth 可以share 但是不同branch 之间怎么share weight? 相当于三个brach 的参数要一样。查了一下，在tensorflow中的实现，只要这一层的名字一样，reuse为True就ok了。https://stackoverflow.com/questions/50030163/how-to-share-weights-using-tf-layers-conv2d

然后还借鉴了SNIP ，每个branch 只输入和他近似的scale 大小

最让人觉得惊喜的是，还可以在inference的时候只用中间的branch，这样相当于毛线参数都没有多，但是和baseline比，提升了1.5个点。

实验做得特别扎实，各个方方面面都比较了，只能说tusimple的卡多，好羡慕。期待大佬的开源代码，然后自己学习学习，提升一下coding的能力。