一般来说网络的head都设计很重"重"，且head部分有一些层，计算量大弄且耗时，故导致检测速度很慢，Light-Head R-CNN则是主要通过对head部分的修改减少了较多计算量。
Light-Head R-CNN的网络结构:
Light-Head R-CNN网络结构跟R-CNN的网络结构和R-FCN的网络结构差不多，针对R-FCN的score map维度过大的问题，这里就用10代替了class，也就是说score map维度变成了10×p×p（p=7）=490，因此降低了PSROI Pooling和FC层的计算量，使用large separable Convolution 代替1×1Convolution，这里借鉴了Inception V3的思想。
将k×k的卷积转化为1×k和k×1，同时采用上图左右两边的结构，最后通过padding融合feature map，得到size不变的特征图将490维特征图和ROI作为PSROI的输入则得到10维p×p的特征图，如果作为ROI Pooling的输入则得到490维的特征图，因为class已经改为1-，所以没办法直接进行分类，所以接了个FC层做channel变换，在进行分类和回归。