[DeFRCN] Decouple Faster R-CNN FOD (ICCV'21)

1. Motivation

本研究在Transfer-Learning Based与Faster R-CNN的基础上进行了优化与完善。

本研究对分类任务与回归任务之间存在的冲突性问题展开深入探讨：

• 在本项工作中，我们对传统Faster R-CNN模型进行了细致剖析，并从两个相互独立的维度对其内部矛盾进行解析，分别为多阶段结构（RPN与RCNN）以及多任务目标（分类与定位）。

2. Contribution

本文提出了网络结构的两个创新之处，其中Gradient Decoupled Layer（GDL）用于实现多阶段的解耦，而Prototypical Calibration Block（PCB）则被设计用于多任务的解耦。GDL主要针对主干网络，用以分离前序层与后续层之间的关联；而PCB则是一种离线生成的原型分类模块，旨在增强原有分类层的表现。

• 我们对传统的Faster R-CNN架构进行了深入分析，并提出了一种简洁且高效的少样本检测模型，命名为Decoupled Faster R-CNN。该模型能够通