“突然不喜欢一个人,是什么感觉?”
有个回答是:“他本来浑身是光。有那么一瞬间,突然就黯淡了,成为宇宙里一颗尘埃。我努力回想起他全身是光的样子,却怎么也想不起来。后来发现,那是第一次见到他时,我眼里的光。”
FPN
- Demo: https://github.com/unsky/FPN
- Last Edited: May 24, 2019 6:58 PM
- Tags: FPN,ResNet
- 论文地址: https://arxiv.org/pdf/1612.03144.pdf
- 论文地址:https://vision.cornell.edu/se3/wp-content/uploads/2017/07/fpn-poster.pdf
前言
全称:特征金字塔网络《Feature Pyramid Networks for Object Detection》
分析
主要解决的问题:物体检测的多尺度问题。
背景:在物体检测过程中,卷积过程步长stride越长,计算量越小,但是小物体检测的准确性会急剧下降。
目标:在尽量不增加计算量的情况下尽量提升小物体检测的准确性。
传统解决思路
图像金字塔,对不同尺度的图像景行行训练和测试,效果可以,但是需要极大的训练量,很难在实际中使用。
特征分层,将特征提取过程中的中间层对应到对应大小去做训练和测试。中间层层次低具有较高的分辨率,但是提取的特征并不准确,具有较弱的语义信息。
我们想要每一个分辨率的情况下都有较强的语义特征,于是提出了FPN网络。
两个过程——自底向上:前向过程,不同尺度的特征;自顶向下:上采样,并横向连接。
应用
在RPN网络中使用
分析 | 说明 |
---|---|
a、b | 层次越深并不代表准确度越高; |
a、b、c | FPN的增加对召回率有明显的提升; |
c、d | 没有自顶向下的融合,d数据较差,作者表示因为不同层之间的语义特征差距较大; |
c、e | 没有横向连接,因为本来位置准确度就差,再次上采样使准确度更加差; |
c、d | 只使用最后一层,不如FPN的效果,因为多层次预测能对尺度变化有更好的鲁棒性; |
在Faster Rcnn中使用
- 物体越小,效果越明显