FPN（特征金字塔）论文详解

原创

已于 2022-03-13 20:14:01 修改 · 6.9k 阅读

27 ·

CC 4.0 BY-SA版权

文章标签：

#目标检测 #pytorch

于 2021-11-16 21:52:08 首次发布

特征金字塔网络（FPN）解决了目标检测中的多尺度问题，通过自底向上和自顶向下的路径结合横向连接，融合不同层的特征，既保留了高层语义信息，又保持了低层的空间细节。FPN在增加少量计算量的情况下，提高了小物体检测的准确性，成为后续许多检测和分割模型如YOLOv3的基础。其关键在于利用不同分辨率的特征图进行独立预测，提升了检测性能。

FPN（特征金字塔）

论文：Feature Pyramid Networks for Object Detection
下载链接：https://arxiv.org/abs/1612.03144
github: Caffe https://github.com/unsky/FPN

将多阶段的特征图融合在一起，这就相当于既拥有了高层的语义信息，又拥用了底层的轮廓信息。自下而上特征图与自上而下特征图（线性插值）做加法操作，

解决问题：
《Feature Pyramid Networks for Object Detection》这篇论文主要解决的问题是目标检测在处理多尺度变化问题时的不足，现在的很多网络都使用了利用单个高层特征(比如说Faster R-CNN利用下采样四倍的卷积层——Conv4，进行后续的物体的分类和bounding box的回归)，但是这样做有一个明显的缺陷，即小物体本身具有的像素信息较少，在下采样的过程中极易被丢失，为了处理这种物体大小差异十分明显的检测问题，经典的方法是利用图像金字塔的方式进行多尺度变化增强，但这样会带来极大的计算量。所以这篇论文提出了特征金字塔的网络结构，能在增加极小的计算量的情况下，处理好物体检测中的多尺度变化问题。