「CV」 目标检测：FPN

目标检测资源、目标检测概述
本文主要关注目标检测中的多尺度优化问题，介绍 FPN 及其变体；

1 背景

FPN 就是编解码结构在目标检测中的应用，最早是在图像分割和生成式网络（AE，GAN等）中使用；目的即是为了获取更丰富的特征信息；
本文包括旷视 ThunderNet 中 CME对特征的处理；Libra R-CNN 针对feature level imbalance的处理； HRNet 特征的保留；最终介绍goole最新设计的基于 AutoML 设计的 NAS-FPN；

目标检测处理多尺度问题的策略：

策略	输入图片个数	预测使用的特征图间操作	预测使用的特征图个数
单尺度预测	1	-	1
特征金字塔层	1	-	n
图像金字塔	n	-	n
FPN	1	上采样后，与上层特征融合	n

判断用哪个层作为预测层： \(level = \min (5, \max(2, 4+ \log_2(\frac {\sqrt {w*h}} {224 / \sqrt {image_{area}}})))\)¹

2 改进 FPN

PANet2：向下一次特征融合，再向上一次特征融合；自适应 ROI	ThunderNet3：CEM:特征融合，单层预测，减少了计算量
Libra R-CNN4：融合成一个，经过休整，在反射回去，然后再融合；	HRNet5：始终有最高分辨率下采样参与融合；
NAS-FPN6：随机选两个进行融合，到新的尺寸

---

TOP

附录

A 推荐资料

1. 陈泰红. 目标检测算法综述之FPN优化篇[EB/OL]. https://zhuanlan.zhihu.com/p/62975854. 2019-04-19/2021-01-11.

B 参考资料

1. T.-Y. Lin, P. Dollar, R. B. Girshick, K. He, B. Hariharan, and S. J. Belongie. Feature pyramid networks for object detection. In CVPR, 2017. ↩

2. Shu Liu, Lu Qi, Haifang Qin, Jianping Shi, Jiaya Jia. Path Aggregation Network for Instance Segmentation. IN CVPR 2018. ↩

3. Zheng Qin, Zeming , Zhaoning Zhang, Yiping Bao, Gang Yu, Yuxing Peng, Jian Sun .ThunderNet: Towards Real-time Generic Object Detection. In CVPR, 2019. ↩

4. Jiangmiao Pangy Kai Chenx Jianping Shi. Libra R-CNN: Towards Balanced Learning for Object http://Detection.In CVPR, 2019. ↩

5. K. Sun, B. Xiao, D. Liu, and J. Wang. Deep high-resolution representation learning for human pose estimation. In CVPR, 2019. ↩

6. Golnaz Ghaisi ,Tsung-Yi Lin Ruoming, Pang Quoc V. Le.NAS-FPN: Learning Scalable Feature Pyramid Architecture for Object Detection. arXiv preprint arXiv:1904.07392, 2019. ↩