目标检测算法：FPN思想解读

说明

​ FPN算法一种方法/思想，在许多的模型架构中都经常采用，也是提高模型精度的重要方法。

免责申明

​ 有误写/错写/错误观点/错误解读，或者大家有其它见解，都可以在评论区指出，博主会认真学习的。

原始论文下载链接

​ FPN。

目录结构

1. 创新点

​ 多尺度交叉融合。

2. 原理

2.1 思路来源

​ 在以往的经验中发现，浅层特征图：语义信息少，但是几何信息多；而深层特征图：语义信息多，但是几何信息少。

​ 针对这一情况，作者考虑将浅层特征与深层特征进行交叉融合，去探索是否可以提高模型的精度。

2.2 原理

概述

​ 在论文原文中，作者给出了原理图，如下：

​ 其中：

• 图a是先图像金字塔，再分别进行预测
  • 其优点是精度高，缺点是计算开销大
• 图b是正常的卷积操作
  • 其优点是速度快，但是只关注了最后一层的卷积信息
• 图c是利用每一层的卷积特征进行预测
  • 其优点是利用了多层信息，但是并没有很好的利用的各个卷积层信息
• 图d是FPN采用的操作，将不同卷积层进行交叉融合

​ 这里，值得一提的是：FPN采用的融合方式是深层卷积给浅层卷积，并没有考虑到把浅层卷积给深层卷积融合，而在后面的论文有一篇名为PAN，它就是都考虑了。

FPN

​ 作者在论文中给出了FPN的具体操作图，如下：

​ FPN融合的思路是：先拷贝最深层的特征层，然后将浅层的卷积经历一个1*1卷积改变通道数以实现可以深层卷积合并的目的，同时需要对深层卷积进行上采样，这样才能实现尺寸相同。

3. 总结

​ FPN思路很简单，但是效果非常好，特别是在目标检测领域中经常使用。