创新点
1.使用密度估计模型增强检测中的特征图
总结
整个流程还是很清晰的。conv1-3的特征图经过密度估计模块由检测器D1进行检测。
D2-4分别是四个检测器。
FFM是特征融合模块，将不同层不同大小的特征融合。
FFM网络结构如下：
首先使用1X1的卷积减少两组特征的厚度到128，然后使用双线性插值统一两组特征图的尺寸，然后相加。类似于cvpr2017的SSH。
多尺度检测器的网络结构如下：
CAM是上下文信息回归模块，整合候选框周围的上下文信息。其中使用了空洞卷积增加了感受野。
密度估计模块：
网络结构如图所示：
首先maxpooling下采样conv1，2与3一致，通过CNN减少尺寸并concate。然后通过1X的卷积得到最后的密度估计。loss是2范数。
DEM中有一个FEM，特征增强模块。很简单的思想，加权和。F_D重复256次使得维度相同，然后×一个可学习的参数α，加上conv3得到最后的特征图。
实验
可能因为数据和网络深度关系，比不上S3FD。