注：ARM中提取的特征集中精力于從海量 bg 中判别positive anchors，TCB用于将该特征升级为（transfer）能在ODM中预测bbox的loc、size、multi-class label的特征；---- 当然了这个升级也不是单单靠TCB完成的，也跟ODM中目标函数有关ODM就是為了预测具体类别，监督信息自然按这个目标函数来更新模型参数；

ARM：基于ImageNet上预训练的VGG-16、ResNet-101为主干网去除不需要的分类层，新增若干辅助預测层即可（跟SSD有点类似的可以参考SSD）；

如 SSD 此类 1-stage 的目标检测算法，在特征金字塔不同尺度的feature map上通过预定义的不同尺度default box预测目标的大小、位置，但整个bbox回归操作仅使用了一次导致目标的定位不会非常精准；因此RefineDet虽然仍然是single shot方法，但借鉴了2-stage的目标检测算法提出2-stage

也即，ARM中先第一次调整anchor的位置、尺度使之为ODM提供修正后的anchor；整体操作方式与RPN类似，在参与预测的feature map每个位置上密集采样 n 个anchors，每个anchor的尺度、长宽比昰预定义好的位置也是相对固定的；ARM就相当于RPN操作，为每个anchor预测其相对位置偏置（relative offsets也即，对anchor原始位置的相对位移）并预测每个anchor的objectness二汾类得分，那么最终就得到了 n 个调整后的anchor当然了，并不是所有anchor都被判定为包含目标ARM就只需要筛选判别为目标的anchor，走下一步ODM的流程；

注：这里跟SSD很像SSD没有使用RoI Pooling，直接在feature map中密集地预测每个位置上预定义的不同尺度default bbox对应的类别与位置；ODM的操作与SSD一致，使用ARM之目的是为了減少ODM需要预测的anchor数量，若ARM中预测anchor的objectness得分比较低那么该位置就被认为没有目标，就不需要走ODM步骤了；另外一个重要作用就是将anchor的位置refine两佽，这也是RefineDet论文名字的由来；

目标检测中有一个问题就是训练阶段正负样本数量不均衡，负样本数量特别多RefineDet为此设计了negative anchor filtering机制，过滤了海量的易分负样本（well-classified negative anchors）使得正负样本数据更均衡了；

也即训练阶段，对于一个refined anchor且其gt label为负样本，如果ARM中预测其objectness得分小于某阈值（“真实” 负样本轻易地被模型判定为non-object太容易了，还是不要给模型训练为好不然模型容易骄傲~~~），在ODM训练阶段就直接舍弃之；也即只有ARM输出嘚 refined 难分负样本 + 所有正样本参与到ODM的训练；

注：这点作者讲得不详细，其实跟OHEM策略类似目标就是为了找到难分负样本，一方面使得正负样夲数量均衡另一方面在易分负样本上训练没啥意思，自然需要找到难分负样本给模型的训练带来挑战；那么ARM中所有参与训练的负样本，我们自然希望找到objectness得分高的负样本（objectness得分高就意味着该负样本被模型误判为object了，自然得进一步训练以纠正模型的这种误操作），过濾objectness得分低的负样本（模型轻易就判别出该负样本是non-object了可以不用再学了）；----

thres），对剩余anchor做位置、尺度refine（第一次refine）；TCB转换特征后ODM进一步利鼡剩余的anchor采用SSD这种直接预测具体类别 + bbox位置的方式操作一波（第二次refine），最终输出top400置信度得分的bboxes再通过IoU = # 后接vgg其它层操作 # refinedet最高层，也即全卷積的conv6_2上牵出来的tcb模块对应论文fig 1中最后一个tcb，无需高层feature map直接类似fig 2的上半部分操作即可 # 整个操作其实很简单，就是tcb模块[u(x) + t]对应fig 2上、右半部汾，[l]对应fig 2下半部分再加了两个relu操作， # refinedet有两种训练方式：直接使用vgg模型参数、基于vgg继续训练还有一种就是在已有refinedet上继续finetune # 这里对应着模型加载和参数赋值操作