《Feature Pyramid Networks for Object Detection》论文阅读笔记

最新推荐文章于 2022-05-25 21:33:47 发布
最新推荐文章于 2022-05-25 21:33:47 发布
阅读量493 收藏 7
点赞数 1
分类专栏： 论文阅读
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/prague6695/article/details/116013240
版权
本文是《Feature Pyramid Networks for Object Detection》的阅读笔记，介绍了FPN如何通过自顶向下路径和横向连接构建具有高级语义信息的特征金字塔，用于解决多尺度目标检测问题。FPN在COCO检测基准上实现SOTA效果，且其结构易于扩展到实例分割任务。论文中详细探讨了图像金字塔、FPN结构、横向连接的概念，并在Faster RCNN中应用FPN提高了性能。
摘要由CSDN通过智能技术生成

FPN

很多论文中都会采用含有FPN的backbone进行特征提取，因为FPN使用特征金字塔结构，将low-level的特征和high-level的特征进行融合，能提取更加准确的位置等特征信息。
所以今天打算读一读FPN的论文，

文章目录

该内容采用： 摘录重点部分+提出问题的方式，来阅读该篇论文。 后面会逐一的解答提出来的的问题。

make decision

  • 论文名称：Feature Pyramid Networks for Object Detection

中文翻译过来就是用于目标检测的特征金字塔网络， 大概可以知道 该网络在多层的特征图上提取特征。

  • 作者：Tsung-Yi Lin, Piotr Dollár, Ross Girshick, Kaiming He, Bharath Hariharan, and Serge Belongie
  • 机构：Facebook AI ，Cornell University and Cornell Tech
  • 年份： 2016
  • 是否精读：是
  • 做出决定日期：2021-4-22
  • 论文地址：https://arxiv.org/abs/1612.03144

作者提出的多尺度的object detection算法：FPN（feature 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。

step1:读摘要

作者利用深度卷积网络固有的多尺度金字塔层次结构来构造具有边际额外成本（marginal extra cost）的特征金字塔。 开发了一种具有横向连接的自顶向下的体系结构，用于构建所有比例的高级语义特征图。 这种被称为特征金字塔网络（FPN）的体系结构，在一些应用中作为一种通用的特征提取器展示了很大的进步
此外作者还指出在当时coco检测基准上实现了SOTA效果。

  • Q1： 特征金字塔的边际额外成本（marginal extra cost）具体指的是什么？
  • Q2： 特征金字塔这具有横向连接的自顶向下的体系结构中 横向连接（lateral con
最低0.47元/天 解锁文章
在学习的王哈哈
关注
专栏目录
【FPN】Feature Pyramid Networks for Object Detection论文笔记
OneCoder的博客
08-09 468
1、摘要 Feature pyramids are a basic component in recognition systems for detecting objects at diferent scales.But recent deep learning object detectors have avoided pyramid representations, in part bec...
（FPN）Feature Pyramid Networks for Object Detection论文阅读笔记
weixin_43422466的博客
07-16 295
文章目录（FPN）Feature Pyramid Networks for Object Detection论文阅读笔记2016Abstract1. Introduction2. Related Work3. Feature Pyramid Networks4. Applications4.1 Feature Pyramid Networks for RPN4.2 Feature Pyramid Networks for Fast R-CNN5. Experiments on Object Dete
论文笔记：Feature Pyramid Networks for Object Detection(FPN)
upup
08-18 1329
一、基本信息 标题：Feature Pyramid Networks for Object Detection 时间：2017 引用格式：Lin, Tsung-Yi, et al. “Feature pyramid networks for object detection.” Proceedings of the IEEE conference on computer vision and pattern recognition. 2017. 二、研究背景 为了检测小物体，最常用的做法是构建金字塔，比如S
Feature Pyramid Networks for Object Detection论文翻译——中英文对照
SnailTyan
04-30 4147
文章作者：Tyan 博客：noahsnail.com  |  CSDN  |  简书 声明：作者翻译论文仅为学习，如有侵权请联系作者删除博文，谢谢！ 翻译论文汇总：https://github.com/SnailTyan/deep-learning-papers-translation Feature Pyramid Networks for Obj...
论文笔记：Feature Pyramid Networks for Object Detection
欢迎来到我的酒馆
04-05 3690
目标检测论文 feature pyramid networks for object detection
论文：（FPN特征金字塔）Feature Pyramid Networks for Object Detection
杨杨子江的博客
10-20 966
论文链接：https://arxiv.org/pdf/1612.03144.pdf 代码：https://www.jianshu.com/p/324af87a11a6 论文概述：         &nbsp作者提出的多尺度的object detection算法：FPN（feature pyramid netwo...
【论文阅读笔记】Feature Pyramid Networks for Object Detection
sanshibayuan的博客
12-21 863
论文名称：《Feature Pyramid Networks for Object Detection》 论文链接：https://arxiv.org/abs/1612.03144 参考代码(非官方)：https://github.com/jwyang/fpn.pytorch（Pytorch实现） 综述 多尺度目标检测是计算机视觉领域的一个基础且具挑战性的课题，尤其是在目标检测方面。下图是目前...
Feature Pyramid Networks for Object Detection 论文笔记
热门推荐
Jesse_Mx的博客
01-17 2万+
论文地址：Feature Pyramid Networks for Object Detection前言这篇论文主要使用特征金字塔网络来融合多层特征，改进了CNN特征提取。论文在Fast/Faster R-CNN上进行了实验，在COCO数据集上刷到了第一的位置，意味着其在小目标检测上取得了很大的进步。论文整体思想比较简单，但是实验部分非常详细和充分。此博文对主要内容进行了翻译和理解工作，不足之处，欢
论文翻译学习-Feature Pyramid Networks for Object Detection
FlyDremever
09-11 404
Feature Pyramid Networks for Object Detection 摘要 特征金字塔是识别系统中用于检测不同尺度目标的基本组件。但最近的深度学习目标检测器已经避免了金字塔表示，部分原因是它们是计算和内存密集型的。在本文中，我们利用深度卷积网络内在的多尺度、金字塔分级来构造具有很少额外成本的特征金字塔。开发了一种具有横向连接的自顶向下架构，用于在所有尺度上构建高级语义特征映射。这种称为特征金字塔网络（FPN）的架构在几个应用程序中作为通用特征提取器表现出了显著的改进。在一个基本的Fas
Feature Pyramid Networks for Object Detection.pdf
08-10
Feature Pyramid Networks for Object Detection.pdf
《Feature Pyramid Networks for Object Detection》
正在挣扎中的人
12-03 2743
翻译FPN
FPN（feature pyramid networks）论文笔记
USTC_Lucas
11-26 478
论文概述： 这篇论文是CVPR2017年的文章，采用特征金字塔代替了传统的Scale handling 方法，截止目前（2018.11.26）引用量为529次。 论文链接：https://arxiv.org/abs/1612.03144 深度卷积神经网络天然地就能计算出金字塔特征结构，作者正是要利用这一点来构造一个在所有层级上都能有强语义的特征金字塔结构。 具体说来是要通过自顶向下(top-do...
论文笔记-Feature Pyramid Networks for Object Detection
Liven_Zhu的博客
07-03 393
本文作者提出了一种特征金字塔网络（FPN），可以作为一种通用的特征提取器用于多个应用。作者将FPN与Faster R-CNN结合，在COCO2016上运行结果超过了现有的单一模型的表现。 1. 介绍 图像金字塔的优势就是可以提供一个多尺寸的特征表征，每一层级的语义更强。下图是最近的一些金字塔层级的网络架构: （a）图像金字塔的模型。每一尺寸图像连接一卷积网络，输出多个尺寸的特征映射，...
Feature Pyramid Networks for Object Detection论文理解
m0_46378271的博客
05-25 522
Abstract 特征金字塔是识别系统中用于检测不同尺度目标的基本组成部分。但最近的深度学习对象检测器避免了金字塔表示，部分原因是它们是计算和内存密集型的。在本文中，我们利用深层卷积网络固有的多尺度金字塔层次结构来构造具有边界额外成本的特征金字塔。开发了一种具有横向连接的自顶向下体系结构，用于在所有尺度上构建高级语义特征图。这种称为特征金字塔网络（FPN）的体系结构作为通用特征提取器，在一些应用中展现了显著的提升。在一个基础的更快的R-CNN系统中使用FPN，我们的方法在COCO检测基准上实现了sota的单
论文阅读笔记（二十二）：Feature Pyramid Networks for Object Detection（FPN）
sunshine_010的博客
04-19 1215
Feature pyramids are a basic component in recognition systems for detecting objects at different scales. But recent deep learning object detectors have avoided pyramid representations, in part because...
论文：Feature Pyramid Networks for Object Detection 阅读笔记
Stay hungry, Stay foolish
06-16 1051
一、简介 引用： http://hellodfan.com/2017/10/14/%E7%89%A9%E4%BD%93%E6%A3%80%E6%B5%8B%E8%AE%BA%E6%96%87-SSD%E5%92%8CFPN/ 二、流程 在RPN+FAST R-CNN里边 嵌入FPN的流程图 1、第一种不知是不是存在，与第二种的差别，就是最后的rol不是在不同的层级的feature ...
【目标检测 论文泛读】-----FPN------(Feature Pyramid Networks for Object Detection)
深度不学习！！的博客
05-14 907
文章目录R-CNN模型系列回顾FPN模型提出的背景前人做的工作各种金字塔模型作者提出的改进方法FPN模型：Bottom-upTop-downLateral ConnectionFPN 应用在Faster R-CNN上小总结 论文题目：Feature Pyramid Networks for Object Detection 论文地址：http://cn.arxiv.org/abs/1612.03144 这是R-CNN系列的第五篇要读的论文。 R-CNN模型系列回顾 老规矩，先大概回顾一下之前的几个模型。
Feature Pyramid Networks for Object Detection
王小胖儿的博客
07-09 4332
《Feature Pyramid Networks for Object Detection》发表在2017年CVPR上。     本文提出一种Feature Pyramid Networks（FPN）网络结构，能够在不影响速度的前提下融合多层特征，使每个level的特征都具有丰富的语义信息，提高CNN网络特征提取能力。理论上，FPN在CNN方法中是一个通用的方法。     1. 网络
feature pyramid networks for object detection
最新发布
06-28
### 回答1： 特征金字塔网络（Feature Pyramid Networks, FPN）是一种用于目标检测的神经网络架构。它通过在深层特征图上构建金字塔结构来提高空间分辨率，从而更好地检测小目标。FPN具有高效的多尺度特征表示和鲁棒性，在COCO数据集上取得了很好的表现。 ### 回答2： 特征金字塔网络（Feature Pyramid Networks，简称FPN）是一种用于目标检测的深度学习模型。该模型是由FAIR（Facebook AI Research）在2017年提出的，旨在解决单一尺度特征不能有效检测不同大小目标的问题。 传统的目标检测算法通常采用的是滑动窗口法，即在图像上以不同大小和不同位置进行滑动窗口的检测。但是，这种方法对于不同大小的目标可能需要不同的特征区域来进行检测，而使用单一尺度特征可能会导致对小目标的错误检测或漏检。FPN通过利用图像金字塔和多层特征提取，将不同尺度的特征合并起来，从而达到对不同大小目标的有效检测。 FPN主要分为两个部分：上采样路径（Top-Down Pathway）和下采样路径（Bottom-Up Pathway）。下采样路径主要是通过不同层级的卷积神经网络（CNN）来提取特征，每层都采用了非极大值抑制（Non-Maximum Suppression，NMS）方法来选择最具有代表性的特征。上采样路径则主要是将低层特征进行上采样操作，使其与高层特征的尺寸对齐，并与高层特征相加，实现特征融合。 FPN在目标检测中的优势体现在以下几个方面。首先，FPN可以提高模型对小目标的检测能力，同时仍保持对大目标的检测准确度。其次，FPN的特征金字塔结构可以在一次前向传递中完成目标检测，减少了计算时间。最后，FPN对于输入图像的尺寸和分辨率不敏感，可以在不同分辨率的图像上进行目标检测，从而适应多种应用场景。 总之，FPN是一种在目标检测领域中得到广泛应用的模型，其特征金字塔结构能够有效地解决单一尺度特征不足以检测不同大小目标的问题，并在检测准确率和计算效率方面取得了不错的表现。 ### 回答3： 特征金字塔网络是一种用于目标检测的深度学习模型，主要解决的问题是在不同尺度下检测不同大小的物体。在传统的卷积神经网络中，网络的特征图大小会不断减小，因此只能检测较小的物体，对于较大的物体则无法很好地检测。而特征金字塔网络则通过在底部特征图的基础上构建一个金字塔状的上采样结构，使得网络能够在不同尺度下检测不同大小的物体。 具体来说，特征金字塔网络由两个主要部分构成：共享特征提取器和金字塔结构。共享特征提取器是一个常规的卷积神经网络，用于提取输入图像的特征。而金字塔结构包括多个尺度的特征图，通过上采样和融合来获得不同尺度的特征表示。这些特征图之后被输入到后续的目标检测网络中，可以通过这些特征图来检测不同尺度的物体。 特征金字塔网络可以有效地解决目标检测任务中的尺度问题，并且在许多实际应用中表现出了优异的性能。例如，通过使用特征金字塔网络，在COCO数据集上得到的目标检测结果明显优于现有的一些目标检测算法。 总之，特征金字塔网络是一种非常有效的深度学习模型，可以处理目标检测任务中的尺度问题，提高模型在不同大小物体的检测精度。它在实际应用中具有很高的价值和应用前景。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值