PVANET 网络

旨在降低计算量，重新设计了特征提取部分，设计原则是“通道少层数多”，网络比较深但是比较瘦，使用了batch norm，residual 连接，学习率更新策略等技术。在VOC2012上 rank-2，运行时间在i7-6700K CPU上750ms/帧，在Titan X GPU上运行时间45ms/帧。

其他增强性能方法：

1. 在CNN的前几层使用C.ReLU，降低一半计算量 
   CNN前几层，输出节点激活一般有符号相反的对应节点，通过该观察，将输出节点数降低一半，在输出时double并取反，提两倍速。 
    
   在初始C.ReLU增加了缩放及平移，使得成对的通道斜率和激活阈值不同？
2. 在特征生成子网络的余下的几层使用Inception，Inception模块生成感受野不同尺寸的激活输出，提高了感受野尺寸的多样性 
   Inception尚未在检测任务中广泛应用，作者认为Inception是计算量较小的模块，用于检测较大或较小的目标。对较大目标，对应大感受野，可以通过堆栈3*3卷积实现。对较小物体，对应小感受野，1*1的卷积保持了上一层感受野的大小，精确检测小物体。 
   Inception操作如下图所示： 
   
3. 使用了Hypernet中多尺度表示思想 
   综合精细信息及高度抽象信息有益于检测不同尺度的物体，但抽象层的数目和编号需要精心设计。与ION和HyperNet中思想类似，综合了最后一层和两个中间层（分别是最后一层尺度的2倍和4倍），并将2倍层作为参考标准层。
4. 训练的tricks 
   在Incption中增加残差结构，在所有的ReLU激活前增加BN，使用plateu检测更新学习率。

网络的结构如下图所示： 

K*K的卷积层之前和之后都有1*1的卷积，先降低输出尺寸大小，后提高表示能力。

实验结果： 

文中有一句，在mAP超过80%的方法中，PVANET运行时间在50ms以内，但没有和YOLOv2比较