EFPN论文阅读

论文地址：https://arxiv.org/abs/2003.07021

概括

这篇论文主要是针对小目标的检测，在CNN中，由于使用了多次下采样，使得小目标的语义信息在最终的特征图中保留甚少甚至消失，因此小目标的检测一直以来都是CV领域关注的大问题。

一种有效的充分利用全部特征信息的方法是FPN，通过 top-down 和 lateral connection 的方式构建了特征金字塔，使得高层的语义特征和浅层的纹理特征能够融合，有利于小目标的检测，FPN现在已经称为了目标检测任务中的标配。

作者认为目前的FPN仍然存在一些问题：
（1）特征复合：小目标一定与中等目标和一些大目标共享同样的特征图，这就使得在设置anchor时，中等目标和小目标都要在最底层特征图中进行检测。
（2）小目标检测性能很差：当目标实例变小，检测性能急剧下降。如下图所示，复合的跨规模特征使得检测能力变得很差。

另一种补偿小目标信息的方式是提高特征分辨率（SR），但是这种方法仅仅在最浅层的特征图上弥补细节信息的损失，忽视了骨干网中其他特征图上的可信任细节信息。会导致在CNN中制造虚假纹理信息和过多的人为信息，导致检测错误。