PFPNet 算法笔记

最新推荐文章于 2024-06-28 17:03:38 发布

AI之路

最新推荐文章于 2024-06-28 17:03:38 发布

阅读量5.1k

点赞数 4

分类专栏：深度学习计算机视觉目标检测-object detection

本文链接：https://blog.csdn.net/u014380165/article/details/82468725

版权

PFPNet是ECCV2018提出的一种目标检测算法，它结合了SPP和MSCA模块，形成平行特征金字塔网络。通过多尺度上下文聚合，PFPNet提升了检测效果，特别是对于小目标。算法借鉴了SSD的速度优势和FPN的特征融合思想，使用SPP获取不同尺度特征，再通过MSCA进行融合。实验表明，PFPNet在VOC和COCO数据集上表现与RefineDet相当，且保持了较快的运行速度。

摘要由CSDN通过智能技术生成

论文：Parallel Feature Pyramid Network for Object Detection
论文链接：http://openaccess.thecvf.com/content_ECCV_2018/html/Seung-Wook_Kim_Parallel_Feature_Pyramid_ECCV_2018_paper.html

这篇ECCV2018的文章借鉴了SPP的思想并通过MSCA（multi-scale context aggregation）模块进行特征融合从而提出PFPNet（Parallel Feature Pyramid Network）算法来提升目标检测的效果。PFPNet整体上还是one stage类型的目标检测算法，思想借鉴了SSD，速度上有保证，效果上因为引入SPP思想构造特征金字塔，相当于加宽了网络，同时MSCA模块做类似FPN的特征融合操作，最后基于多层融合特征进行预测，因此效果也是很不错的，和CVPR2018的RefineDet效果基本上差不多。

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。

Figure1是目标检测算法在网络结构方面的优化过程。