目标检测之FPN

一、目标检测之FPN

Feature Pyramid Networks for Object Detection(用于目标检测的特征金字塔网络)

• 论文链接：https://arxiv.org/abs/1612.03144
• 论文翻译：http://noahsnail.com/2018/03/20/2018-03-20-Feature Pyramid Networks for Object Detection论文翻译——中英文对照/
• 论文详解：
  1、https://blog.csdn.net/WZZ18191171661/article/details/79494534
  2、https://xmfbit.github.io/2018/04/02/paper-fpn/
• 论文代码：
  1、(pytorch) https://github.com/kuangliu/pytorch-fpn
  2、(caffe) https://github.com/unsky/FPN

二、FPN算法

1、FPN框架

步骤：

• 首先，选择一张需要处理的图片，然后对该图片进行预处理操作；
• 然后，将处理过的图片送入预训练的特征网络中（如ResNet等），即构建所谓的bottom-up网络；
• 接着，如上图所示，构建对应的top-down网络（即对层4进行上采样操作，先用1x1的卷积对层2进行降维处理，然后将两者相加（对应元素相加），最后进行3x3的卷积操作，最后生成一个feature map，目的是减少上采样的混叠效应(aliasing effect)；
• 接着，在图中的4、5、6层上面分别进行RPN操作，即一个3x3的卷积后面分两路，分别连接一个1x1的卷积用来进行分类和回归操作；
• 接着，将上一步获得的候选ROI分别输入到4、5、6层上面分别进行ROI Pool操作（固定为7x7的特征）；
• 最后，在上一步的基础上面连接两个1024层的全连接网络层，然后分两个支路，连接对应的分类层和回归层；

2、FPN框架细节

图： Faster R-CNN+FPN

三、FPN总结

FPN能够很好的处理小目标：

• FPN可以利用经过top-down模型后的那些上下文信息（高层语义信息）；
• 对于小目标而言，FPN增加了特征映射的分辨率（即在更大的feature map上面进行操作，这样可以获得更多关于小目标的有用信息）；