#今日论文推荐# 全新高性能 FPN | ssFPN 教您如何修改 FPN 让大小目标在目标检测中都有提升

#今日论文推荐# 全新高性能 FPN | ssFPN 教您如何修改 FPN 让大小目标在目标检测中都有提升

特征金字塔网络 (FPN) 一直是目标检测模型考虑目标的各种尺度的基本模块。但是，小目标的平均精度（AP）相对于中大目标的平均精度（AP）要低。原因是 CNN 的更深层特征会带来信息丢失。
作者提出了一种新的 FPN Scale Sequence() 特征提取方法，以加强小目标的特征信息。作者将 FPN 结构视为尺度空间，并在 FPN 的水平轴上通过 3D 卷积提取 Scale Sequence（）特征。基本上是一个尺度不变的特征，建立在小目标的高分辨率金字塔特征图上。此外，所提出的 特征可以扩展到大多数基于 FPN 的目标检测模型。
作者证明了所提出的 特征可以提高 MS COCO 数据集上的One-Stage和Two-Stage检测器的性能。基于提出的 特征，分别为 YOLOv4-P5 和 YOLOv4-P6 实现了高达 1.3% 和 1.1% 的 AP 改进。对于 Faster RCNN 和 Mask R-CNN 特征分别提高了 2.0% 和 1.6% 的 AP。

目标检测是计算机视觉中必不可少的一项基本任务。它已广泛应用于机器人视觉、自动驾驶和无人机系统（UAV）等应用中。在过去的几年中，基于卷积神经网络 (CNN) 的目标检测模型显著提高了检测的性能。然而，小目标检测仍然是一项具有挑战性的任务。通常，小目标上的平均精度（）相对低于中型目标（）和大目标上的平均精度（）。根据 MS COCO 定义，如果Segmentation Mask的区域小于 32×32 像素，则目标被归类为“小目标”。

论文题目：ssFPN: Scale Sequence () Feature Based-Feature Pyramid Network for Object Detection
详细解读：https://www.aminer.cn/research_report/6310b14e7cb68b460f117956https://www.aminer.cn/research_report/6310b14e7cb68b460f117956
AMiner链接：https://www.aminer.cn/?f=cs