[论文解读]ECCV2018|PFP-Net:Parallel Feature Pyramid Network for Object Detection

题目：Parallel Feature Pyramid Network for Object Detection
作者：Seung-Wook Kim, Hyong-Keun Kook, Jee-Young Sun,Mun-Cheon Kang, and Sung-Jea Ko

Motivation:
作者认为像金字塔形式的Feature map的网络，限制了网络的表现，尤其对于小目标的检测。对此，作者提出PFPNET。如图d所示。

Related Works:

先直接上PFPNET网络结构图：

base network：预训练去掉全连接层的VGG16。
Bottleneck layer: conv1x1+batch norm +relu
FP pool: 就一般的池化
MSCA： 将$F_H与F_L$的特征图组合在一起，并再将大特征图downsamping, 小特征图upsamping,到同一尺度，再concatenate.其中，$F_H$有D个channels, $F_L有（N-1）\times D/（N-1）=D$（作者的目的就是凑成D）个channels，各占一半。此外，作者也做过去掉$F_H$，全由 $F_L$组成Feature map的实验,但表现与预期一样不好。

details: 采用RfineDet的ARM方式来做Anchors.

PFPNET:
1)图像经过VGG16的base network后，产生WXHXD的Feature map
2) 再经SPP池化成N（图中为3）个high dimensional 的特征图$$（F_H)size=\frac{W}{2^n}\times \frac{H}{2^n}$$N:pyramid levels.
3)经过Bottleneck layer $(H_L^n)$,得到$$(F_L)channel=D/(N-1）$$
4）经MSCA，得到$P_L$;
5)最后采用RefineDet的方法进行训练（可以参考我的別一篇博客RefineDet)。

Experiment:
作者对N和C的值，做了对比：

也对ARM做对比，感觉很大程度是ARM的功劳。

VOC2007与2012的对比
从这也可以看出，在RefineDet的基础上有0.1-0.4的增点。
在COCO上，作者相对于RefineDet也有涨点，但没有做resnet101的对比。

在速度上就有了明显的优势。