AMiner推荐论文：Dynamic Feature Pyramid Networks for Object Detection

论文链接：
https://www.aminer.cn/pub/5fc88628dfae549b1c499988?f=cs
目标检测是计算机视觉领域的一项基本任务，近年来受到越来越多的关注，最近在目标检测方面的进展很大程度上源于深度卷积神经网络（CNN）的发展。现有的检测框架可分为单阶段方法 和两阶段方法 ：YOLO、SSD、FCOS和CenterNet等单阶段方法直接将提取的特征用于预测对象的类别和位置；
相比之下，两阶段方法，例如Faster R-CNN和Cascade R-CNN，首先通过区域建议网络（region proposal network）获得region of interests（ROI），然后根据ROI进一步生成细化的目标框和类别。近年来，这两种方法都取得了很大进展。目前，许多方法都扩展了多尺度特征学习的感受野 ，并取得了不错的性能。例如，RFB用多分支卷积块替换SSD的卷积层，以增强多尺度的特性。虽然这些方法扩大了目标检测模型的感受野，但不同种类的卷积核对FPN的影响尚未得到充分的研究。
AMiner,让AI帮你理解科学！https://www.aminer.cn