1 概述

• 本文基于ShuffleNetV2提出了一个轻量目标检测网络，称为ThunderNet，主要有两个创新点：①CEM(Context Enhancement Module)，与FPN类似，用于融合浅层特征和深层特征；②SAM(Spatial Attention Module)，用于增强目标特征
• 轻量化体现在两方面：①将ShuffleNetV2中3x3卷积更换为5x5卷积，在增大感受野使特征包含更多空间信息的同时降低参数量；②移除conv5的同时在之前的stage中增加channel数，这在不增加参数量的情况下可使浅层特征增多。

2 网络框架

2.1 整体框架

2.2 CEM模块

• 类似FPN，其意义在于融合多个尺度信息，使生成的特征包含更多的空间信息

2.3 SAM模块

• RPN用于分类前景背景，其中背景特征会被抑制，因此论文中提出将RPN特征作为监督信号用来抑制CEM特征中的背景部分，增强CEM特征中的前景部分。
• 该结构的另外一个优点是反向传播过程中这里也会产生梯度，也算是RPN结构参数更新时的监督信号

3 实验

• 算法对比

• 不同分辨率输入图片

• 不同backbone

• 消融实验
  
• SAM模块效果

4 总结

• CEM中增大特征感受野的思路不错，也可以使用空洞卷积等，可以借鉴
• 将RPN特征作为监督信号引入很新颖，值得学习