Feature Pyramid Networks for Object Detection

博客介绍了FPN(CVPR17),其核心创新点是feature pyramid。传统方法用image pyramid应对尺度变化很费时,FPN用CNN前向过程中产生的feature pyramid代替。还对比了一般检测模型、SSD方法,阐述了FPN的bottom - up和top - down过程,以及结合faster rcnn的细节。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

FPN, CVPR17。

核心创新点是feature pyramid。传统方法应对尺度变化, 做image pyramid,这样很费时。 其实图像金字塔的作用可以用CNN前向过程中产生分辨率逐渐降低的feature pyramid来代替。

这样的想法很自然, 利用feature pyramid可以共享计算, 这样增加的计算量是很小的。 前面也有人尝试这么做,见下图:

(b)是一般检测模型的方法, 只在最上面的特征层做后面的检测(classification&location)。这样信息利用的不充分。

(c)是SSD的方法, 在后面的不同特征层做检测。但是SSD没有利用靠前的高分辨率特征,但是这些特征对检测小物体是很有益的。

(d)是文中提出的方法。左边是bottom-up过程,也就是CNN前向过程, 右边是top-down过程, 每个尺度的特征是更小尺度特征上采样和bottom-up中同尺度特征的融合。然后分别在每个尺度的特征上做后续检测。

other details:

a. 和SSD类似, 结合FPN的faster rcnn,其anchors按尺度分配给不同feature pyramid的不同层;

b. feature pyramid各层后续的head参数共享。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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