论文地址：https://arxiv.org/pdf/2210.02093.pdf
代码地址：https://github.com/QY1994-0919/CFPNet
视觉特征金字塔在广泛的应用中展示了其在效果和效率上的优越性。然而，现有的方法过于关注层间特征之间的交互，而忽视了层内特征的调节，而这些调节在经验上被证明是有益的。虽然一些方法尝试通过注意力机制或视觉变换器来学习紧凑的层内特征表示，但它们忽略了对于密集预测任务而言重要的被忽视的角落区域。为了解决这个问题，在本文中，我们提出了一种基于全局显式中心化特征调节的中心化特征金字塔（CFP）用于目标检测。具体而言，我们首先提出了一种空间显式的视觉中心方案，其中使用轻量级的多层感知机来捕捉全局的远程依赖关系，并使用并行可学习的视觉中心机制来捕捉输入图像的局部角落区域。基于此，我们进一步提出了一种基于自顶向下方式的全局中心化调节，用于常用的特征金字塔，在此调节中，来自最深层内特征的显式视觉中心信息被用于调节前向浅层特征。与现有的特征金字塔相比，CFP不仅具有捕捉全局远程依赖关系的能力，还可以高效地获得全面且有区分性的特征表示。在