FPN(Feature Pyramid Networks) 特征金字塔模型

酒酿小圆子～

已于 2023-05-30 16:15:25 修改

阅读量3.3k

点赞数 5

分类专栏：机器学习 & 深度学习计算机视觉文章标签：计算机视觉深度学习目标检测

于 2023-04-21 10:12:56 首次发布

本文链接：https://blog.csdn.net/u012856866/article/details/130271655

版权

机器学习 & 深度学习同时被 2 个专栏收录

91 篇文章 20 订阅

订阅专栏

计算机视觉

7 篇文章 0 订阅

订阅专栏

论文：Feature Pyramid Networks for Object Detection
论文链接：https://arxiv.org/abs/1612.03144

前言

目标的多尺度一直是目标检测算法极为棘手的问题。像Fast R-CNN，YOLO这些只是利用深层网络进行检测的算法，是很难把小目标物体检测好。因为小目标物体本身的像素就比较少，随着降采样的累积，它的特征更容易被丢失。为了解决多尺度检测的问题，传统的方法是使用图像金字塔进行数据扩充。虽然图像金字塔可以一定程度解决小尺度目标检测的问题，但是它最大的问题是带来计算量的极大的增加，而且还有很多冗余的计算。

我们这篇文章要介绍的特征金字塔网络（Feature Pyramid Network，FPN）[1]是一个在特征尺度的金字塔操作，它时通过将自顶向下和自底向上的特征图进行融合来实现特征金字塔操作的。FPN提供的是一个特征融合的机制，并没有引入太多的参数，实现了以增加极小计算代价的情况下提升对多尺度目标的检测能力。

1. 背景知识

在FPN之前，目标检测主要有4种不同的卷积结构类型，如下图所示。
在这里插入图片描述

(a)是早期的目标检测算法常用的图像金字塔，它通过将输入图像缩放到不同尺度的大小构成了图像金字塔。然后将这些不同尺度的特征输入到网络中（可以共享参数也可以独立参数），得到每个尺度的检测结果，然后通过NMS等后处理手段进行预测结果的处理。图像金字塔最大的问题是推理速度慢了几倍，一个是因为要推理的图像数多了几倍，另一个原因是要检测小目标势必要放大图像。
(b)是Fast R-CNN[3]，Faster R-CNN[4]，YOLO等算法的网络结构，它只使用卷积网络的最后一层作为输出层。这个结构最大的问题就是对小尺寸的目标检测效果非常不理想。因为小尺寸目标的特征会随着逐层的降采样快速损失，到最后一层已经有很少的特征支持小目标的精准检测了。
©是SSD[2]采用的结构，它首先提出了使用不同层的Feature Map进行检测的思想。但是SSD只是单纯的从每一层导出一个预测结果，它并没有进行层之间的特征复用。即没有给高层特征赋予浅层特征擅长检测小目标的能力，也没有给浅层的特征赋予高层捕捉到的语义信息，因此带来的小目标的检测效果的提升是非常有限的。
(d)特征融合在其它模型中也有过探索，例如医学分割算法中的U-Net，如图1.所示。U-Net的特点是只在模型的最后一层进行了预测，并没有使用多分辨率预测。

2. FPN的网络结构

FPN是一个结合了SSD的多分辨率尺度预测和U-Net的多分辨率特征融合的网络结构，如图2所示。FPN可以分成3部分：

图2左侧的自底向上的卷积；
图2右侧的自顶向下的上采样；
图2中间的横向的特征融合。
在这里插入图片描述

2.1 自底向上路径

自底向上即是卷积网络的前向过程，我们可以选择不同的骨干网络，例如ResNet-50或者ResNet-101。前向网络的返回值依次是C2，C3，C4，C5，是每次池化之后得到的Feature Map。在残差网络中，C2，C3，C4，C5经过的降采样次数分别是2，3，4，5即分别对应原图中的步长分别是4，8，16，32。这里之所以没有使用C1，是考虑到由于C1的尺寸过大，训练过程中会消耗很多的显存。

2.2 自顶向下路径和横向连接

通过自底向上路径，FPN得到了四组Feature Map。浅层的Feature Map，例如C2含有更多的底层信息（纹理，颜色等），而深层的Feature Map如C5含有更多的语义信息。为了将这四组倾向不同特征的Feature Map组合起来，FPN使用了自顶向下及横向连接的策略，最终得到P2，P3，P4，P5四个输出。

这里我们结合代码讲解FPN的特征融合过程，首先我们通过自底向上的路径得到C2，C3，C4，C5共4个输出。以ResNet-50为例，C5的尺寸是 [H/32, W/32, 512]，其中 512是通道数， 32是步长，H和W是图像的宽和高。在FPN中，我们要得到的P2，P3，P4，P5的通道数都是256。其中P5是由C5计算得到，P4是由P5和C4计算得到，以此类推。FPN的这种计算方式便是自顶向下的路径。

以P3为例，P3是由P4和C3共同得到，其中P4的通道数已经是
256了，但是它的大小只是P3的 1/2 ，因为我们使用上采样将它的尺寸增加到C3的大小，FPN中使用的上采样策略是最近邻居采样。继续，因为C3的通道数是128，而我们需要的P3的通道数是256，所以这里使用1*1卷积将C3的通道数扩充到256。最后P3是P4的上采样的Feature Map和C3的调整通道数的Feature Map的单位加。

最后，FPN 在 P2，P3，P4，P5 之后均接了一个 3*3 卷积操作，该卷积操作是为了减轻上采样的混叠效应（aliasing effect）。

# Top-down Layers
P5 = KL.Conv2D(config.TOP_DOWN_PYRAMID_SIZE, (1, 1), name='fpn_c5p5')(C5)
P4 = KL.Add(name="fpn_p4add")([ 
    KL.UpSampling2D(size=(2, 2), interpolation="nearest", 
                    name="fpn_p5upsampled")(P5),
    KL.Conv2D(config.TOP_DOWN_PYRAMID_SIZE, (1, 1), name='fpn_c4p4')(C4)])
P3 = KL.Add(name="fpn_p3add")([
    KL.UpSampling2D(size=(2, 2), interpolation="nearest", 
                    name="fpn_p4upsampled")(P4),
    KL.Conv2D(config.TOP_DOWN_PYRAMID_SIZE, (1, 1), name='fpn_c3p3')(C3)])
P2 = KL.Add(name="fpn_p2add")([
    KL.UpSampling2D(size=(2, 2), interpolation="nearest", 
                    name="fpn_p3upsampled")(P3),
    KL.Conv2D(config.TOP_DOWN_PYRAMID_SIZE, (1, 1), name='fpn_c2p2')(C2)])
# Attach 3x3 conv to all P layers to get the final feature maps.
P2 = KL.Conv2D(config.TOP_DOWN_PYRAMID_SIZE, (3, 3), padding="SAME",
               name="fpn_p2")(P2)
P3 = KL.Conv2D(config.TOP_DOWN_PYRAMID_SIZE, (3, 3), padding="SAME",
               name="fpn_p3")(P3)
P4 = KL.Conv2D(config.TOP_DOWN_PYRAMID_SIZE, (3, 3), padding="SAME",
               name="fpn_p4")(P4)
P5 = KL.Conv2D(config.TOP_DOWN_PYRAMID_SIZE, (3, 3), padding="SAME",
               name="fpn_p5")(P5)
FPN_feature_maps = [P2, P3, P4, P5]

3. FPN的应用

FPN和U-Net最大的不同是它的多个层级的都会有各自的输出层，而每个输出层都有不同吃的的感受野。一个比较粗暴的方式是每一层都预测所有的样本，而另一个更好的选择是根据一些可能存在的先验知识选择一个最好的层。比较有代表性的有FPN的锚点先验和Fast R-CNN的ROI先验，下面我们分别介绍它们。

3.1 FPN和RPN

RPN是在Faster R-CNN中被提出的一个用于候选区域提取的神经网络，它的输出只有是否为候选区域两类。RPN通过一个3*3卷积在骨干网络的输出层进行划窗，然后通过计算每个划窗的9个不同尺寸和比例的Anchor和Ground Truth的相对关系来确定候选区域的类别和位置。

对于添加了FPN的RPN来说，它的每一特征层都会添加一个RPN的输出头。因为RPN的输出头有多个尺度，而FPN的每一层的Feature Map都有其自己的感受野，所以这里是为FPN的每一个输出都固定一个尺度，每个尺度有3个不同的比例。此外RPN还对P5又进行了一次池化降采样，得到了P6。最终，结合了FPN的RPN会在P2，P3，P4，P5，P6后面接RPN的输出头分支，它们对应的Anchor的面积一次是 ${32^2, 64^2, 128^2, 256^2和512^2}$ ，每个Anchor有三组比例，分别是 1:1, 1:2以及2:1 。

在分配不同尺度的锚点和不同层的输出时，这里给出的规则是如果Ground Truth和这个锚点的IoU大于0.7，则这个样本是正样本，如果IoU小于0.3 ，则便是负样本。注意这里不同层的输出头的参数是共享的，对于非共享的方案得到的是类似的准确率。

4. 总结

FPN是最早在目标检测方向上提出特征融合的算法，开辟了特征融合的先河，为之后PANet，NAS-FPN等算法的提出打下了基础。FPN是一个特征金字塔的结构。FPN的这种特征金字塔的结构是非常符合CNN的结构特征的，通过将深层语义信息和浅层纹理信息进行融合，为每一层的Feature Map都赋予了更强的捕捉语义信息的能力。

这里FPN也有几个不足：