目标检测网络可以分成如图的5个部分
input image：输入图像的大小对整个网络推断耗时有最直接的影响，小的图像，自然整个网络推断时间就会大大减少。一般来说，输入图像大小与网络深度正相关，即：大图像需要更深的网络提取更好的特征
backbone：是网络主结构的表达，由convolution、normalization、activation这3种层堆叠而成，如resnet50.
feature for detection：即最后用于目标检测的特征层，比如常用的有conv4(C4)、conv5(C5)，对于fpn有P2~P6等
rpn/detection head：对于one-stage detector来说，这个是最终的目标检测的输出层，对于two-stagedetector来说，这个是用来为第二个阶段提供proposal的输出层
rcnn head：这个出现在two-stagedetector方法中的第二个阶段，一般包括roi pooling、feature extract、classification、bbox regression这4个部分。是两阶
