本論文の目的は、特定のアプリケーションやプラットフォームに適した検出アーキテクチャを選択するためのガイドラインを提供することである。この目的達成のために、現代の畳み込み物体検出システムにおいて精度と速度およびメモリ使用量のトレードオフを実現する様々な方法を調査する。近年、多くの成功したシステムが提案されているが、異なるベース特徴抽出器（例：VGG、Residual Networks）、異なるデフォルト画像解像度、異なるハードウェアおよびソフトウェアプラットフォームなどの要因により、直接的な比較は困難である。本研究では、Faster R-CNN [Ren et al., 2015]、R-FCN [Dai et al., 2016]、SSD [Liu et al., 2015] の各システムを統一的に実装し、「メタアーキテクチャ」として捉え、これらのメタアーキテクチャ内で代替特徴抽出器を使用したり他の重要なパラメータ（例えば画像サイズ）を変化させることによって生成される速度/精度トレードオフ曲線を追跡する。このスペクトルの一端では速度とメモリが重要となる場合に、リアルタイムで動作しモバイルデバイスに展開可能な検出器を提示する。反対の一端では精度が重要となる場合に、COCO検出タスクにおいて最先端の性能を達成する検出器を提示する。