&Title
&Summary
原始FP缺乏自下而上的途径来抵消来自较低层特征图的丢失信息。它在大型目标检测中表现良好,但在小型目标检测中表现较差。
本文提出了一种新的结构“残差金字塔”。双向融合深度特征和浅层特征,以实现对小型和大型目标的更有效,更可靠的检测。
- 由于具有“residual”性质,因此与其他双向方法相比,可以轻松地对其进行训练并将其集成到不同的主干(甚至更深或更轻)上。
- residual FP的一个重要特性是:即使采用更多层,仍可以发现精度的提高。
在VOC和MS COCO数据集上进行的大量实验表明,该方法获得了SoTA结果,可实现高精度,高效的目标检测。
关键词:残差、双向。
&Research Objective
- 为了在深层次提高小目标检测精度和效率
- 为了保持大尺寸和小尺寸目标检测结果的一致性
&Problem Statement
FP是一种自上而下的聚合,可收集语义上强大的功能,以改善两阶段和一阶段检测器中的尺度不变性。
- 但是,由于池的移位效应,该自上而下的路径无法保留准确的对象位置。因此,当使用更多层时,FP提高检测精度的优势将消失。
FPN是一种自上而下的方法,可从最后一层引入语义上强大的功能,以从背景中区分