如何通过FPN实现目标检测，并有效处理长尾词问题？

本文共计859个文字，预计阅读时间需要4分钟。

这篇论文探讨了CVPR2017文章中使用的特征金字塔网络（Feature Pyramid Network）在目标检测中的应用，并分享了其亮点。文章详细介绍了该网络如何通过特征融合提高检测精度。

这篇论文是CVPR2017年的文章采用特征金字塔做目标检测有许多亮点特来分享。论文featurepyramidnet

这篇论文是CVPR2017年的文章采用特征金字塔做目标检测有许多亮点特来分享。

论文feature pyramid networks for object detection 论文链接arxiv.org/abs/1612.03144

论文概述

作者提出的多尺度的object detection算法FPNfeature pyramid networks。原来多数的object detection算法都是只采用顶层特征做预测但我们知道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征做预测而本文不一样的地方在于预测是在不同特征层独立进行的。 代码的话应该过段时间就会开源。

论文详解

下图FIg1展示了4种利用特征的形式 a图像金字塔即将图像做成不同的scale然后不同scale的图像生成对应的不同scale的特征。这种方法的缺点在于增加了时间成本。有些算法会在测试时候采用图像金字塔。 b像SPP netFast RCNNFaster RCNN是采用这种方式即仅采用网络最后一层的特征。 c像SSDSingle Shot Detector采用这种多尺度特征融合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。