#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