超级会员免费看
本文介绍了几种基于FPN的网络优化方法，包括NAS-FPN利用强化学习自动生成网络结构；PANet增加了低级到高级特征的快速通道；ThunderNet适用于移动端，通过全局池化增强感受野；HRnet保持高分辨率以获得更优结果；Libra-RCNN通过平衡学习解决特征尺度不平衡问题。这些方法分别在精度和效率上有所提升，其中NAS-FPN的表现最为出色。
1.NAS-FPN使用强化学习的方式对FPN网络自动搜索，在coco数据集上得到了最好的FPN结果。可以理解为连连看，然后连出一个最好的。如下图：a图为原始的FPN， 好看整齐。然后在一步一步搜索的reward下，结构组件变化。由b--->f变为最终的结果。虽然不好看。
最终NAS-FPN结构为:可以看到和retinanet一样有5个输入p3,p4,p5,p6，p7然后对应5个输出p3,p4,p5,p6,p7作者也是在retinanet上应用的NAS-FPN与别的方法进行比较。结果详见论文，可以涨不少点
参考：https://cloud.tencent.com/developer/article/1505713
2.PAnet:Path aggregation network for
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
