PANet论文阅读笔记

---

论文链接：Path Aggregation Network for Instance Segmentation
代码链接

创新点

1.通过自底向上的路径扩展，以精确的定位信号增强整个特征层次结构，从而缩短了低层与顶层特征之间的信息路径
2.提出了自适应特征池，它将特征网格(feature grid)和所有特征层连接起来，使每个特征层中的有用信息直接传播到下面的建议子网络(proposal subnetworks)。

对其他相似结构的结论

1.FPN
2.Resnet
通过干净的残差链接，缩短信息传递的路径，方便信息的传播

重要观点

1.在底层的信息对于大的目标识别很有用，但从底层结构到最上层特征的路径较长，难以获得准确的定位信息。此外，每个建议（ROI）都是基于从一个特性级别汇集的特性网格进行预测的，该特性级别是启发式分配的。但是其实其他层的被丢弃的信息可能对当前层很有帮助。
2.高层的神经元对整体目标有更强烈的响应，而其他的神经元对于局部细节和模式的相应会更强烈说明了在FPN中扩展自顶向下路径来传播语义强的特征和增强具有合理分类能力的所有特征的必要性，本文通过加了自下而上的路径进一步增强了整个特征提取架构的定位能力