目标检测（CVPR2017）：Feature Pyramid Networks

论文： Feature Pyramid Networks for Object Detection

会议：CVPR2017

目标：识别不同尺度的物体，获取语义信息与定位信息均比较好的特征

基础知识：DCNN中低层特征中具有较好的定位信息，深层特征中具有较好的语义信息

各种金字塔网络结构：

（a）使用图像金字塔构建特征金字塔网络：每个图像尺度上的特征都是独立计算的，速度缓慢。

（b）最近的检测系统选择只使用单一尺度特征进行更快的检测

（c）使用ConvNet计算金字塔结构

（d）本文提出的金字塔结构，包括自底向上、自顶向下、横向连接三部分，特征映射用蓝色轮廓表示，较粗的轮廓表示语义上较强的特征。

特征金字塔结构：

自下而上的路径：

• 实质为一个下采样卷积神经网络的前馈计算，常用ResNet，步长为2
• stage: 在网络结构中，通常有许多层产生相同size的feature map，定义这些层位于相同的网络阶段，定义为一个stage.
• 选择每一个stage的最后一个卷积层的激活层输出输出搭建横向连接

自顶向下的路径：

• 对最后一个具有高语义信息的stage的输出进行上采样（2X）
• 与自下向上的features中具有相同尺寸的map进行融合

横向路径：

• 对于两个路径具有相同尺寸的features进行融合，
• 自下向上的feature map通过1X1的Conv减小维度
• 自顶向下的feature map通过上采样（2X）
• 融合使用element-wise 相加，最后通过一个3X3的Conv减轻上采样的混叠效应

特征金字塔作用：

• 自顶向下的路径传递了较好的语义信息
• 自下向上的路径传递了较好的定位信息
• 通过横向连接融合在一起则可以获取既具有较好的定位信息又具有较好的语义信息的特征。
• 不同层输出可以得到对不同尺度的敏感的特征，识别不同尺度的物体

应用：在以前的目标检测方法中加入FPN作为特征检测模块，提高检测结果。