本文介绍了特征金字塔网络（FPN）在解决计算机视觉中的目标检测问题上的应用。FPN通过构建特征金字塔，利用不同层级的特征进行目标检测，兼顾了高层语义信息和低层位置信息，提高了对不同大小目标检测的精度。实验表明，FPN相对于传统方法在鲁棒性和速度上有显著优势，并在RPN和Faster R-CNN等目标检测框架中表现出色。
1、作者将不改变feature map大小的层归为一个stage
2、图像的混叠现象：“所谓混叠，即高于采样频率一半的高频信号被映射到信号的低频部分，与原有低频信号叠加，对信号的完整性和准确性产生影响”
采样频率必须大于原始信号最高频率的两倍，才能完整地还原原始信号，这就是著名的尼奎斯特定律。
有两种方法可以消除混叠现象：
一是直接提高采样频率，以获得更高的尼奎斯特频率，但是采样频率不能无限提高；
二是在采样频率固定的情况下，可通过低通滤波器消除大于尼奎斯特频率的高频信号，从而消除混叠现象。
学习自：https://www.cnblogs.com/doctorbill/articles/3820088.html
3、亚采样：亚采样层就是使用pooling技术将小邻域内的特征点整合得到新的特征
4、aps,apm,apl：分别表示对小目标，中目标，大目标的平均准确度。
5、FPN算法的“新路历程”：
转载自：（原文：https://blog.youkuaiyun.com/WZZ18191171661/article/details/79494534）
最低0.47元/天 解锁文章
扫一扫
778
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
