目标检测中的FPN模块

最新推荐文章于 2025-06-20 16:18:40 发布
原创 最新推荐文章于 2025-06-20 16:18:40 发布 · 693 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#pytorch #计算机视觉

FPN模块通过高层特征反哺低层，平衡语义与分辨率。在目标检测中，它与RPN和detection head结合，通常共享参数。RPN生成的proposal在特定层级的特征图上计算，如112*112的proposal在p3上。对于ViT在语义分割中的应用，beit实现将特征放大后再通过FPN结构，以适应FPN的金字塔结构。

FPN 模块的结构很简单，主要思想是高层特征反哺低层特征，达到语义与分辨率的平衡。

当用于目标检测时，一个问题是如何与 RPN 和 detection head 结合。在原始的 fast-rcnn RPN 中（参考的是霹雳吧啦的视频）是在每个 FPN 后都加上 RPN+detection head，并且它们共享参数。

另一个问题是 RPN 生成的 proposal 最后在哪个特征图上计算，作者提供了一个公式来 navigate。比如 proposal 是 112\*112，那么会计算得到 3，也就是说在 p3 上计算。（什么是 p3 参考下面第二张图）

最低0.47元/天 解锁文章
目标检测组件之FPN介绍
xuzz_498100208的博客
11-17 3554
FPN网络可以说是一个非常经典的组件，twostage网络中一般都会加上去，能够有效的提升对小目标的检测能力，cascade_rcnn/faster_rcnn+big backbone+fpn+dcn的经典组合经久不衰。
目标检测——FPN
PRIS-SCMonkey的博客
03-17 2785
简单来说，FPN 的整体目标就是使用卷积网络的从高到低的具有语义的特征金字塔，构建一个具有高层次语义的金字塔；提出了自上而下和横向连接来连接丰富的语义特征和高分辨率，使网络适应与分类和定位的任务。 论文：Feature pyramid networks for object detection 论文链接：https://arxiv.org/abs/1612.03144 Code：https://g...
FPN预测特征图增强模块
qq_35608277的博客
06-18 726
https://zhuanlan.zhihu.com/p/148738276
FPN模型及论文梳理
m0_52441398的博客
01-30 1605
FPN论文梳理 文章目录1. 前言2. FPN模型（主网络采用ResNet）2.1 自底向上2.2 自上向下2.3 横向连接（lateral）3. FPN在各种网络中的实验效果3.1 FPN for RPN3.2 FPN for Fast R-CNN（使用固定的候选框）3.3 FPN for Faster R-CNN3.4 近几年在COCO比赛上排名靠前的算法的对比4. 总结 1. 前言 在计算机视觉中，识别不同尺度的物体是一个挑战。FPN主要解决的是目标检测中的多尺度问题（特征提取的一种方法），通过简单的
FPN结构详解
weixin_49206002的博客
04-22 936
backbone是用于提取特征的主干网络，提取目标的位置大小形状等特征，常见的目标检测backbone包括AlexNet、VGG、ResNet、DenseNet、MobileNet等，较深的backbone网络可以提供更好的性能，但也会带来更多的计算成本。FPN通过在backbone网络中增加额外的横向连接和上采样模块，从而产生了一系列具有不同尺度的特征图，并通过自顶向下的路径传递信息，并在不同层次上进行融合，以实现对不同尺度目标的更好表示和检测。的学习笔记哦，真的是位很棒的up，有兴趣的同学可以去看看~
FPN（Feature Pyramid Network）
weixin_73784131的博客
05-09 1312
FPN（Feature Pyramid Network）是 2017 年由 Facebook AI Research（FAIR）提出的一种用于目标检测的多尺度特征融合架构。传统的目标检测方法通常只使用顶层特征（语义信息强，但空间分辨率低，不利于小目标检测）或低层特征（空间分辨率高，但语义信息弱），而 FPN 通过构建金字塔结构，将不同层级的特征进行融合，同时兼顾了高分辨率和强语义信息，显著提升了多尺度目标（尤其是小目标）的检测性能。
学习各种目标检测的FPN（多层次特征融合）
weixin_42495721的博客
09-09 6537
单阶段物体检测算法： 早期的物体检测算法，无论是一步式的，还是两步式的，通常都是在Backbone的最后一个stage（特征图分辨率相同的所有卷积层归类为一个stage）最后一层的特征图，直接外接检测头做物体检测。此种物体检测算法，可以称之为单stage物体检测算法。 由于单stage物体检测算法中，Backbone的最后一个stage的stride通常是32，导致输出的特征图分辨率是输入图片分辨率的1/32，太小，不利于物体检测，因此单stage的物体检测算法，一般会将最后一个stage的MaxPooli
目标检测neck经典算法之FPN的源码实现
最新发布
2402_89354642的博客
06-20 1216
本文介绍了FPN（特征金字塔网络）的初始化构造过程，主要包括5个关键步骤： 参数保存与基础配置：确定输入通道数、输出通道数、特征层数等核心参数，并进行初始化设置和断言检查。 确定使用的backbone层：通过start_level和end_level参数选择从主干网络中使用哪些层来构建FPN。 判断是否添加额外输出层：控制是否构建P6/P7等额外特征层，并指定其构建方式。 构建横向连接和FPN卷积层：创建1×1卷积统一通道（lateral convs）和3×3输出卷积（fpn convs）。 构建额外卷积层
深度学习之目标检测（三）-- FPN结构详解
木卯_THU的博客
08-06 1万+
深度学习之目标检测（三）-- FPN结构详解深度学习之目标检测（三）FPN结构详解1. FPN —— 特征金字塔 深度学习之目标检测（三）FPN结构详解 本章学习 FPN 相关知识，学习视频源于 Bilibili。 1. FPN —— 特征金字塔 FPN 原始论文为发表于 2016 CVPR 的 Feature Pyramid Networks for Object Detection。针对目标检测任务，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，最终在COCOAp 提升 2.3 个点，pasc
FPN模型结构精讲
sunshineine的博客
09-27 1226
1.四种利用特征的形式 2.FPN针对的问题 3.FPN结构 4.自下而上的路径（Bottom-up pathway） 5.横向连接（lateral connections） 6.自下而上的路径（Top-down pathway） 7.总结
深入浅出之FPN （Feature Pyramid Networks for Object Detection）网络
热门推荐
浩瀚之水的专栏
09-15 2万+
FPN网络是在2017年的CVPR会议上提出的，主要目的是通过特征融合的方式，在不显著增加计算量的情况下，提升多尺度目标的检测性能，尤其是对小目标的检测能力。它通过构建多尺度特征金字塔，将高层特征图的语义信息与低层特征图的空间信息进行融合，生成具有丰富多尺度信息的特征表示。
【论文笔记】【目标检测】fpn详解
Chen_Swan的博客
04-22 1751
fpn是在卷积神经网络中图像金字塔的应用。图像金字塔在多尺度识别中有重要的作用，尤其是小目标检测。 论文中给了这么一张图来展示4种利用特征的形式。 （a）图像金字塔。这个是直接把图片resize成不同的尺度，使用不同的尺度对应生成不同的特征。缺点是时间成本很大，如果在测试的时候使用四级的图像金字塔，那么测试时间*4. （b）只用最后一层特征。在fpn之前的算法，faster rcnn和s...
YOLO种CSP模块，Focus模块，SPP模块，FPN模块区别
weixin_62567608的博客
02-04 1185
Focus层在YOLOv5中是图片进入Backbone前，对图片进行切片操作，原理与Yolov2的passthrough层类似，采用切片操作把高分辨率的图片（特征图）拆分成多个低分辨率的图片或特征图，即隔列采样+拼接。Lateral connection：是一个特征融合过程，将经过1×1卷积后的特征与上采样后的特征进行融合（add方式，直接相加，不增加维度）。应用场景：在YOLO中，SPP模块被用来提取不同尺度的特征，实现特征金字塔的构建，提高了模型对不同尺寸目标的检测能力。
特征金字塔网络(FPN)详解
漫步者
04-03 1791
特征金字塔网络是是一种多尺度特征表示方法，用于解决目标检测、图像分割等任务中对不同尺寸的目标的检测问题。特征金字塔网络会有多个尺度的特征图输出，每个大尺度的特征图都包含小尺度特征图的信息，进而将小尺度特征图中的信息融合到大尺度的特征图中，这样在大尺度中也会包含只有小尺度特征图的语义信息。特征金字塔网络会有多个输出，每个输出的尺度各不相同，但是通道数相同自顶向下是只从小尺度特征图向大尺度特征图方向传递信息自底向上路径，它的意思是从大尺度特征图向小尺度方向的变化通过横向连接特征融合实现了细节和语义的融合。
Feature Pyramid Networks（FPN）介绍：代码实现以及与UNet的区别
阿正的梦工坊
03-19 1302
FPN通过结合自底向上（Bottom-up）和自顶向下（Top-down）的路径，以及横向连接（Lateral Connections），在所有尺度上生成具有强语义的特征图。
FPN网络的实现原理详解
Christo的博客
01-11 1035
FPN网络是一种常见的特征融合模块，在很多模型中都有运用，今天我们就结合代码和论文详细的搞清楚它到底是怎么一回事。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值