FPN论文笔记

最新推荐文章于 2025-05-09 20:49:55 发布
最新推荐文章于 2025-05-09 20:49:55 发布
阅读量363 收藏
点赞数 2
CC 4.0 BY-SA版权
分类专栏： 人工智能 图像处理 深度学习
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。
本文链接：https://blog.youkuaiyun.com/zephyr_wang/article/details/105471593
本文基于《Feature Pyramid Networks for Object Detection》论文，详细介绍了FPN如何在微小的计算成本下，利用深度卷积网络的multi-scale特性，实现高效特征提取。文章对比了图像金字塔和金字塔特征层，阐述了FPN的bottom-up、top-down通路及横向连接的设计理念。

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

1.介绍

1.1.介绍

本文基于《Feature Pyramid Networks for Object Detection》翻译总结。FPN即特征金字塔网络，在微不足道的代价（计算、存储）下，利用了深度卷积网络中内在的multi-scale 金字塔特征层，在特征提取方面取得了良好的效果。

2.相关知识介绍

2.1.Featurized image pyramid图像金字塔

在这里插入图片描述
在人工特征领域大量使用。如上图所示，是对不同大小的图片提取特征进行预测。推理时间会相应的的增加，4层就增加4倍，所以此方法在实际应用中有点不太现实。像SIFT特征提取是基于这种图像金字塔的。

2.2.Pyramidal feature hierarchy金字塔特征层

在这里插入图片描述
深度卷积网络也会计算不同的特征层，存在内在的multi-scale，金字塔形状。上图是single shot detector（SSD）的模型图。
不过faster-R-CNN一般建议使用单尺度的特征，主要是为了在准确率和速度间权衡。

3.FPN

在这里插入图片描述

如上图所示，FPN包括三部分，分别是bottom-up 通路，top-down 通路，一个横向连接（包含上采样、1*1卷积减少channel维度）。这样就既有低分辨率语义强的特征，又有高分辨率语义弱的特征。

FPN网络介绍
qq_43258953的博客
11-25 1552
这篇论文是CVPR2017年的文章，采用特征金字塔做目标检测 论文：feature pyramid networks for object detection 论文链接：https://arxiv.org/abs/1612.03144 FPN:feature pyramid networks 特征金字塔网络 论文概述： object detection算法都是只采用顶层特征做预测，但我们知道低层的...
FPN算法（论文笔记）
qq_30146937的博客
02-13 576
前言 目前为止都有哪些进行多尺度检测的方法呢？ 图像金字塔（上图a）。这些“金字塔”是尺度不变的，因为通过改变在金字塔中所属的层级，可以抵消目标尺度的变化。也就是说，将图像转换为不同的尺度，每个尺度对应一个特征图，这些特征图共同组成了图像金字塔。利用图像金字塔进行多尺度检测的好处是，可以生成多尺度特征图，并且所有的特征图都包含充足的语义信息，可以获得较好的检测精度。缺点是计算量大，在训练时会...
论文精读：FPN：Feature Pyramid Networks for Object Detection
qq_52053775的博客
06-12 3087
特征金字塔是识别系统中检测不同尺度物体的基本组成部分。但最近的深度学习对象探测器已经避免了金字塔表示，部分原因是它们是计算和内存密集型的。本文利用深度卷积网络固有的多尺度金字塔层次，构造了具有边际额外代价的特征金字塔。开发了一种具有横向连接的上顶体系结构，用于构建所有尺度上的高级语义特征图。这种架构被称为特征金字塔网络(FPN)，作为一个通用的特征提取器，在几个应用程序中显示出了显著的改进。在基本Faster R-CNN系统中使用FPN，我们的方法在COCO检测基准上实现了最先进的单模型结果，超过了所有现有
FPN（Feature Pyramid Network）
最新发布
weixin_73784131的博客
05-09 1060
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。
最详细的FPN论文笔记
陈建驱的博客
04-13 1239
个人博客：http://www.chenjianqu.com/ 原文链接：http://www.chenjianqu.com/show-110.html 论文：Tsung-Yi Lin, Piotr Dollar, Ross Girshick,Kaiming He, Bharath Hariharan, and Serge Belongie. Facebook AI Research (FAI...
【论文复现】FPN
Gorgeous_wxd
11-30 2386
以RetinaNet里面的FPN为例 import torch.nn as nn import torch from torch.nn import functional as F class FPN(nn.Module): def __init__(self,C3_size,C4_size,C5_size,feature_size=256,use_p5=True): super().__init__() self.prj_5 = nn.Conv2d(C5_si
读论文（4）——FPN
MrBamboo2000的博客
10-28 2680
前言 原论文名称为《Feature Pyramid Networks for Object Detection》，是一篇多尺度目标检测的经典论文。之前在SSD的论文解读中提到，SSD使用了不同卷积层的feature map来进行多尺度检测。这个方法其实非常巧妙，因为不同层的输出结果中其实就隐含了不同尺度的信息，而且这种方式不会增加额外的计算量，相比之前对图像做多尺度的变换（图像金字塔）之后再分别进行检测计算量和内存开销都要小很多。FPN就是受到了SSD的启发诞生的一种对于多尺度检测更加完备、更加高效的方法，
论文笔记：FPN
水不在深有江的博客
08-11 616
对于尺寸相差较大的目标的识别，一直是计算机视觉中的一个重大挑战。 特征金字塔基于图像金字塔建立，特征金字塔具有尺度不变性因为物体的大小可以通过改变在金字塔中的层数来实现。这项性能使得一个模型通过在金字塔中扫描位置和层数来见测尺度规模跨度较大的一系列物体。作者提出，将图像金字塔每一层特征化的主要优势在于可以产生一个所有层（包括高分辨率层）具有强语意信息的多尺度特征表示。 将图像金字塔每一层特征化...
【论文笔记】：NAS-FPN: Learning Scalable Feature Pyramid Architecture for Object Detection
Activewaste
08-06 1万+
&Title: NAS-FPN: Learning Scalable Feature Pyramid Architecture for Object Detection &Summary 目前最先进的卷积结构用于物体检测是手工设计的。 在这里，我们的目标是一个更好的学习可扩展特征金字塔结构，用于目标检测。在一个覆盖所有交叉尺度连接的可扩展搜索空间中，采用神经网络结构搜索，发现了...
【论文笔记】：FPN
Activewaste
07-11 666
Title Feature Pyramid Networks for Object Detection Summary 文章的思想比较简单，主要是利用特征金字塔对不同层次的特征进行尺度变化后，再进行信息融合，从而可以提取到比较低层的信息，也就是相对顶层特征来说更加详细的信息。顶层特征在不断地卷积池化过程中可能忽略了小物体的一些信息，特征金字塔通过不同层次的特征融合，使得小物体的信息也能够比较完整地...
FPN学习笔记
wslkd0123的博客
08-09 307
一，FPN：Feature Pyramid Networks for Object Detection 关键创新点：多尺度预测，提高精度同时避免了传统的多尺度方法（image pyramid）的巨大开销。 二，结构（ Bottom-up + Top-down + Lateral connection） 1，Bottem-up：从低到上的特征提取部分，输入为原始图片，输出一系列不同尺度的...
FPN（feature pyramid networks）网络
01-22
FPN特征金字塔做目标检测
FPN_FPN_
09-29
FPN 网络架构模型原版
FPN网络
xinxin的博客
04-08 1310
的方式，没有上采样过程，即从网络不同层抽取不同尺度的特征做预测，这种方式不会增加额外的计算量，但是不同的层次的特征图有巨大的语义差距，高分辨率的特征图只有低级特征，损害了表示能力，不利于目标识别。作者认为SSD算法中没有用到足够低层的特征（在SSD中，最低层的特征是VGG网络的conv4_3），而在作者看来足够低层的特征对于检测小物体是很有帮助的。这些特征信息的提取是通过卷积操作和池化操作等方式来实现的。在自顶向下的过程中，最初的输入是来自网络的高层特征，这些特征通常具有较高的语义信息和较低的分辨率。
详解FPN网络
大脸猫的博客
10-15 4万+
目录 导读 摘要 简介 相关工作 FPN算法 FPN应用于RPN FPN应用于Fast RCNN 对比实验 FPN对RPN网络的影响 FPN对Fast RCNN网络的影响 总结 参考文献 导读 《Feature Pyramid Networks for Object Detection》这篇文章主要是用来解决Faster RCNN物体检测算法在处理多尺度变化问题时的不足。Faster RCNN中无论是RPN网络还是Fast RCNN网络，都是基于单个高层特征（conv4）。这
FPN网络详解
热门推荐
kk123k的博客
01-21 7万+
特征图金字塔网络FPN（Feature Pyramid Networks）是2017年提出的一种网络，FPN主要解决的是物体检测中的多尺度问题，通过简单的网络连接改变，在基本不增加原有模型计算量的情况下，大幅度提升了小物体检测的性能。 低层的特征语义信息比较少，但是目标位置准确；高层的特征语义信息比较丰富，但是目标位置比较粗略。另外虽然也有些算法采用多尺度特征融合的方式，但是一般是采用融合后的特...
FPN论文
03-08
### Feature Pyramid Networks 相关的学术论文 #### 论文概述 Feature Pyramid Network (FPN) 是一种广泛应用于计算机视觉领域中的多尺度特征提取方法。该架构旨在解决不同尺度物体检测的问题，在多个层次上构建特征金字塔，从而增强模型对于大中小物体的检测能力。 #### 关键技术特点 FPN 的核心思想是在自底向上的路径基础上增加一条自顶向下路径以及横向连接机制[^1]。具体来说： - **自底向上路径**：利用标准卷积神经网络（CNN），如ResNet作为骨干网，逐层抽取特征。 - **自顶向下路径**：从最顶层开始逐步融合来自低分辨率高语义信息层的信息至较高分辨率较低语义信息层。 - **横向连接**：在同一空间位置处将相同尺寸的不同抽象程度特征图相加，形成新的更丰富的特征表示。 这种设计使得 FPN 可以有效地捕捉到各个尺度的目标对象，并显著提高了小目标检测性能。 ```python import torch.nn as nn class FPN(nn.Module): def __init__(self, bottom_up_channels, top_down_channels): super(FPN, self).__init__() # 自底向上路径 self.bottom_up_convs = nn.ModuleList([ nn.Conv2d(in_c, out_c, kernel_size=3, padding=1) for in_c, out_c in zip(bottom_up_channels[:-1], bottom_up_channels[1:]) ]) # 自顶向下路径与横向连接 self.top_down_convs = nn.ModuleList([ nn.Conv2d(channel, channel, kernel_size=1) for channel in reversed(top_down_channels) ]) def forward(self, features): p5 = self.top_down_convs[0](features[-1]) laterals = [] for i, conv in enumerate(reversed(self.bottom_up_convs)): lateral = conv(features[i]) + nn.Upsample(scale_factor=2)(p5) p5 = lateral laterals.append(lateral) return tuple(reversed(laterals)) ``` #### 应用场景与发展 除了基本结构外，后续研究还针对特定应用场景进行了改进和发展，比如： - 将其应用到了实例分割任务中； - 结合注意力机制进一步优化跨层信息传递效率； - 探索更加灵活高效的多分支结构来适应不同的下游任务需求。 FPN 不仅限于目标检测领域，在其他涉及多尺度分析的任务中也展现出巨大潜力。
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

打赏作者

AI强仔

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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