[目标检测]--MFPN：A NOVEL MIXTURE FEATURE PYRAMID NETWORK

摘要：

特征金字塔在许多检测器中得到了广泛的应用，解决了目标检测的尺度变化问题。本文首先研究了特征金字塔网络(FPN)结构，并简要地将其分为自顶向下、自底向上和融合分裂三种典型的结构，这三种结构分别在检测小目标、大目标和中型目标时具有各自的优点。进一步，我们设计了三种不同架构的FPNs，并提出了一种新的混合特征金字塔网络(MFPN)，它继承了这三种FPNs的优点，将这三种FPNs聚合在一个并行的多分支架构中，并混合了它们的特征。MFPN可以显著地增强一阶段和两阶段基于FPNs的检测器，在MS-COCO基准上增加约2%的平均精度(AP)，在运行时间延迟方面几乎没有牺牲。通过简单地将MFPN与一阶段和两阶段基准检测器组合在一起，我们实现了在COCO检测基准上的有竞争力的单模检测结果，并且没有附加额外的功能。

引言：

1.motivation：

为了应对目标检测中尺度变化问题，特征金字塔网络(FPN)是最具代表性的一种，它采用自顶向下的方式，将高层和低层的高语义信息融合在一起，取得了优异的性能。但是，这种自顶向下的体系结构设计具有以下固有的局限性:
(1)只将高语义信息从深层引入浅层，而没有考虑浅层对深层的辅助;
(2)自顶向下的体系结构使得小目标的特征很大程度上依赖于大目标的特征，这种依赖并不总是有益的。
上图证明了这个观点，FPN中通道数涨到768，参数量涨了很多，但是准确率的涨点却可以忽略不计，说明了top-down结构有性能瓶颈。

2.MFPN：

如上图，思想比较简单，整合了3种FPN结构，采用并行结构得到各自FPN的输出，再融合在一起。具体地，自顶向下的FPN是原始FPN的改进版本，它将高级语义上下文引入到低级特征中，以更好地检测小目标。特别地，我们提出了自底向上的FPN，它将低层细节引入到高层特征中，帮助高层特征获取更多的空间信息，从而更好地检测大目标。背离了低层和高层特征的关联性，提出了一种新的融合分裂FPN算法，该算法首先融合高阶特征和低阶特征，然后将融合后的特征分解为多尺度特征，能够更好地检测中目标。

实验结果：

1. 三种FPN结构消融实验：

2. 三种FPN组合消融实验：

3. 一阶段、两阶段算法上的增益：