【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对象的基本组件。但是，最近的深度学习对象检测器已经避免了金字塔表示，部分原因是它们在计算和内存方面都很密集。在这篇论文中，我们利用深度卷积网络的固有多尺度、金字塔层次结构来构建特征金字塔，额外的成本几乎可以忽略不计。我们开发了一种自顶向下的架构，通过横向连接来构建所有尺度的高级语义特征图。这种架构被称为特征金字塔网络（FPN），在多个应用中作为通用特征提取器显示出显著的改进。在基本的Faster R-CNN系统中使用FPN，我们的方法在COCO检测基准上实现了最先进的单模型结果，无需任何额外的技巧，超过了所有现有的单模型条目，包括COCO 2016挑战赛的获胜者。此外，我们的方法可以在GPU上以6 FPS的速度运行，因此是一种实用且准确的多尺度对象检测解决方案。代码将公开提供。

引言

识别不同尺度的物体是计算机视觉中的一个基本挑战。基于图像金字塔构建的特征金字塔（简称为特征化图像金字塔）构成了一种标准解决方案的基础【1】（图1（a））。这些金字塔在某种意义上是尺度不变的，因为物体的尺度变化可以通过在金字塔中移动其层级来抵消。直观上，这一特性使得模型能够通过在不同位置和金字塔层级上扫描，检测出各种尺度范围内的物体。

在手工设计特征的时代，特征化图像金字塔被广泛使用【5，25】。它们是如此关键，以至于像DPM【7】这样的目标检测器需要密集的尺度采样（例如，每个倍频有10个尺度）才能取得良好的效果。在识别任务中，手工设计的特征已经很大程度上被深度卷积网络（ConvNets）计算的特征所取代【19，20】。除了能够表示更高级别的语义外，ConvNets还对尺度变化更具鲁棒性，从而有助于通过单一输入尺度的特征进行识别【15，11，29】（图1（b））。但即便具备这种鲁棒性，金字塔仍然是获得最准确结果所必需的。在最近的ImageNet【33】和COCO【21】检测挑战中，所有顶尖的参赛作品都使用了特征化图像金字塔的多尺度测试（例如【16，35】）。对图像金字塔的每一层进行特征化的主要优势在于，它生成了一个多尺度特征表示，其中所有层级都具有较强的语义，包括高分辨率层级。

图1. (a) 使用图像金字塔构建特征金字塔。特征是在每个图像尺度上独立计算的，这样做速度较慢。(b) 近期的检测系统选择仅使用单一尺度特征进行快速检测。© 另一种方法是重用ConvNet计算出的金字塔特征层级，将其视为特征化的图像金字塔。(d) 我们提出的特征金字塔网络（FPN）与(b)和©一样快速，但更加准确。在此图中，特征图由蓝色轮廓表示，较粗的轮廓表示语义上更强的特征。

尽管如此，对图像金字塔的每一层进行特征化仍然存在明显的局限性。推理时间显著增加（例如，增加四倍【11】），这使得这种方法在实际应用中变得不切实际。此外，在图像金字塔上端到端训练深度网络在内存方面也是不可行的，因此如果使用图像金字塔，它们只在测试时使用【15，11，16，35】，这在训练和测试时间推理之间造成了不一致性。出于这些原因，Fast R-CNN和Faster R-CNN【11，29】在默认设置下选择不使用特征化图像金字塔。

然而，图像金字塔并不是计算多尺度特征表示的唯一方法。深度卷积网络（ConvNet）逐层计算特征层次结构，随着子采样层的引入，特征层次结构具有固有的多尺度、金字塔形状。这种网络内部的特征层次结构生成了不同空间分辨率的特征图，但由于深度不同而引入了巨大的语义差异。高分辨率特征图具有低级特征，这些特征会削弱其在目标识别中的表示能力。

单次检测器 (SSD) [22] 是首次尝试将卷积网络（ConvNet）的金字塔特征层次结构视为特征化图像金字塔的工作之一（图1©）。理想情况下，SSD风格的金字塔将重用在前