个人感觉是更自由的跨层连接
网上没有开源资料
https://blog.csdn.net/weixin_45716611/article/details/103785829
这篇在2019年12月10日由谷歌发表的新型神经网络框架闯入大众的视野,文章提出相较于传统的卷积神经网络在中间层总会进行各种卷积操作来进行一定的特征提取。然而在提取的过程中,总会出现部分的特征损失(卷积后像素降低导致)。这或许对于分类来说无关痛痒,但对于例如物体识别这种同时兼具识别和定位的场景时往往有可能会出现效果不佳的情况。文章提出通过在分类任务的骨干模型设计中采用(decoder network)来解决问题,当然就是采用SpineNet来进行。在COCO上的一级目标检测对比ResNet-FPN不仅AP上提高了6%并且减少了60%的算力需求。并且SpineNet可以转换为分类任务模型,在iNaturalist细粒度数据集上相较于之前的第一名整整提高了6%的精确度。
目前的网络结构设计一般都是通过MaxPooling或者Stride为2 的卷积对输入分辨率进行不断地缩小,这样最后可以获得较大的感受野,其输出特征也具有更好的语义信息,从而可以更好的编码输入图像,这样最终可以取得一个很好的分类效果。但是对于检测来说,就不仅仅是分类问题了,定位同样重要。如果直接采用分类网络作为backbone的话(这篇论文看作是编码器)效果较差,尤其是对小目标检测来说,因为大量的细节信息在降采样过程中丢失。。现在