参考博客:https://blog.csdn.net/u014380165/article/details/82468725
1. 概述
目前目标检测的研究,基本上是逐渐增加金字塔形状的特征层数量而不是使用特征化的图像金字塔。然而,CNN特征层的不同抽象级别通常会限制检测性能,尤其是在小型对象上。因此本文提出了一种基于CNN的物体检测架构,称为并行特征金字塔(FP)网络(PFPNet),其中FP通过加宽网络宽度而不是增加网络深度来构建。我们使用的基网络是多个并行的空间金字塔池化网络(SPPNet),生成不同尺寸的特征池,然后将特征池中的元素缩放到统一尺寸,并聚合其上下文信息以生成最终FP的每个级别。
文中有个总结说得特别好,那就是对于目标检测任务而言,真正有用的特征一定具备这3个特点:1、特征要包含目标的细节信息。2、特征要通过足够深的网络提取得到。3、特征要包含目标的语义信息。这个总结其实可以在最近的许多目标检测算法优化中看到,最显而易见的就是高层特征和浅层特征的融合,这个过程其实就包含了这3点内容。
如图是网络结构方面的优化过程。(a)是SSD的检测思想,在bottom-up过程中对每一个步骤进行检测;(b)是类似于yolov3的思想,