目标检测(五)——FPN

简介

在coco与imagenet上取得靠前名次的网络都采用了多尺度的方法，而特征金字塔是识别不同尺度的目标时常用的结构。但是特征金字塔需要较大的计算量和显存，所以一般只在测试时使用。而FPN则利用了CNN的金字塔结构，设计了一种新型的特征金字塔的方式，可以减少额外的对计算量和显存的消耗。使用FPN，Faster RCNN的精度进一步提升（因为提取的特征更为丰富），速度为6fps on a GPU。

---

原理

特征金字塔

本文的目的就是利用CNN特征层次，建立一个各个尺度特征都包含较强语义的特征金字塔。

介绍了目前的特征金字塔的都有哪些形式：

• Featurized image pyramid：figure 1(a) 速度慢、消耗大量显存。为了取得较好的精度，可能会有10个降采样层(图像要resize 10次)，作者很不认同这种做法，因为这太慢了，消耗显存大。但是毋庸置疑的是最近在coco和imagenet上取得较好成绩的模型都是用了Featurized image pyramid，作者认为这主要是由于Featurized image pyramid生成的多尺度特征，每一层都是semantically strong的。
• Single feature map: figure 1(b) 与Featurized image pyramid不同，不同层次的包含的语义明显不同，低特征层只包含低级特征，这对目标识别是不利的。所以除了为了速度，也为了精度，包括Faster R-CNN都用这种方法。因为最顶层的特征是semantically strong的。
• Pyramidal feature hierarchy：figure 1(c),用SSD举例说明，为了减小对计算机能力的开销，SSD重复使用了多尺度特征图，但是也错失了利用底层特征的机会。这对于小目标的探测是非常有用的信息。
• Feature Pyramid Network：figure 1(d),作者提出的网络， 图中蓝色细线代表feature maps，蓝色粗线代表semantically stronger features。通过使用top-down pathway和lateral connections，把low-resolution,semantically strong的特征和high-resolution,semantically weak的特征相结合，外加横向连接结构，目的是建立一个类似于Featurized image pyramid那种各尺度都是强语义的特征金字塔。这种方法比第一种速度快，占用显存少。

下面说明下细节：

• Bottom-up pathway: 其实就是正常的resnet，vgg这些。
• Top-down pathway and lateral connections：
  Top-down pathway 很简单，高层特征上采样，但是与同级别的Bottom-up pathway中的特征层尺寸相同，但是其包含的语义信息更多，使用横向连接(lateral connections)将两者融合。bottom-up pathway中的底层特征虽然包含的语义信息少，但是由于它还未进行很多次降采样，所以包含了更多的定位信息。使用1x1 conv目的是统一两条pathway channel的数量（256），方便融合。然后将同层特征元素相加，最后使用3x3卷积，目的是为了消除上采样造成的混叠效应(aliasing effect)。

FPN For RPN

RPN工作原理：在Faster R-CNN，RPN的输入是使用一个3x3的滑窗在最后一个卷积层的输出上进行滑动，会分成定位和分类两个分支，这可以通过3x3卷积后再接一个1x1卷积实现，作者称这部分为：network head。

为了引入FPN，我们把同样的head设计（3x3 convs and two sibling 1x1 convs）连接到特征金字塔的每一层（每一层共用分类器与线框回归器），由于特征金字塔已经包含了尺度信息，我们不在需要向faster rcnn那样设计三种不同尺寸的anchor，我们只要每一层设计一种尺寸的anchor即可， pixels on {P2,P3,P4,P5,P6}。但是与faster rcnn中相同的是，我们仍使用{1:2,2:1,2:1}三种ratios，所以一共是15中anchors。

与faster rcnn中一样，与gt重叠大于0.7或者是与某个gt重叠率最高的anchor都会被赋予positive label，如果与其他所有的gt的重叠率都小于0.3就会被赋予negtive lable。
之后的流程就与Faster RCNN相同了。

FPN For Faster R-CNN

Fast rcnn中的ROI Pooling层使用region proposal的结果和特征图作为输入。经过特征金字塔，我们得到了许多特征图，作者认为，不同层次的特征图上包含的物体大小也不同，因此，不同尺度的ROI，使用不同特征层作为ROI pooling层的输入。大尺度ROI就用后面一些的金字塔层，比如P5；小尺度ROI就用前面一点的特征层，比如P4。但是如何确定不同的roi对应的不同特征层呢?
作者提出如下的方法

224是ImageNet的标准输入，k0是基准值，设置为5，代表P5层的输出（原图就用P5层），w和h是ROI区域的长和宽，假设ROI是112 * 112的大小，那么k = k0-1 = 5-1 = 4，意味着该ROI应该使用P4的特征层。k值做取整处理。这意味着如果RoI的尺度变小（比如224的1/2），那么它应该被映射到一个精细的分辨率水平。