本文主要是介绍Parallel Feature Pyramid Network for ObjectDetection，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
ECCV18
现在主流的一些检测方法通常使用一个网络来 生成通道数递增的特征，如SSD， 但是这样不同层语义信息差距较大， 会限制检测精度， 尤其是对小目标检测。 作者认为相较于提升深度， 提升网络的宽度更有效。
首先使用SPP(spatial pyramid pooling) 来生成不同分辨率的特征， 这些特征是并行生成的，可以认为这些不同尺寸的特征之间有相似的语义信息。 然后我们resize这些特征到相同尺寸， 进行融合， 得到特征金子塔的每个层特征。
这个图是不同方法使用特征的方式， 其中(a)下是SSD的方式， (d)是文章提出的方法。
细节如下：
输入图片经过base network提取的特征大小设为：D*W*H。 经过SPP， 生成不同尺寸相同channel的特征：
其中第n个特征通道数为D， 分辨率为
。
我们继续使用bottleneck来进一步提取特征和降低channel，生成：
通道数均为：D/(N-1)。 分辨率不变。
然后用MSCA模块来融合和
。具体的：
以的生成为例， 首先将
降采样，
上采样，到
的尺寸， 然后通过skip连接将
与它们concat。
之后再通过一段卷积， 得到。
小结：
本文提出一种新的生成feature pyramid的方法，结合SPP， 通过并行的方式生成。
CVPR19的 deep high resolution那篇做人体位姿的文章应该就是参考了这篇， 使用并行架构。
这篇关于Parallel Feature Pyramid Network for ObjectDetection的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
