FPN（Feature Pyramid Network）详解

本文主要是介绍FPN（Feature Pyramid Network）详解，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！

文章涉及个人理解部分，可能有不准确的地方，敬请指正

0. 概述

FPN，全名Feature Pyramid Networks，中文称为特征金字塔网络。它是2017年cvpr上提出的一种网络，主要解决的是目标检测中的多尺度问题。FPN通过简单的网络连接改变，在基本不增加原有模型计算量的情况下，大幅度提升了小物体检测的性能。

1. 产生动机

目标检测领域中，多尺度检测一直是个挑战，特别是小目标。以往（作者成文的时候，不是现在）检测主要分为三类：

a）使用单特征层。将特征提取网络最后一层输出的特征图，拿去做检测、识别，这是最早期，最一般的方法，该方法的缺点在于，最后一层特征图的尺寸一般都比较小了，无法准确定位目标。
b）多尺度输入。将输入图像resize成多个尺度，然后对每个尺度的图像提取出不同尺度的特征，这种方法计算量很大，因为要进行多次特征提取，即走了好几遍backbone。
c）多尺度特征。在特征提取时，保留中间层的不同尺度上的特征图，对每个尺度的特征图进行预测，这样做是不错的，但是高层特征图只具有丰富的语义信息，而低层特征图只有丰富的位置信息，没有将两者进行结合。

此时，文章作者就想到，如果能对方法 c）中不同尺度的特征图进行融合，岂不美哉，于是FPN就诞生了。

FPN的大致结构长这样：
FPN对高层特征图（尺寸越小越高）进行上采样，然后跟上一层的特征图进行相加融合，这样就使融合后的特征图既包含高层的语义信息，又包含低层的结构信息。而且这样做只增加少量的计算量，是完全可以接受的。

所以简单来说，FPN主要有两个特点：

• 输出多尺度特征图，对不同尺度的目标都有不错的效果；
• 不同尺度特征图之间进行了融合，使特征图同时具有高层语义信息和低层结构信息。

2. 网络结构详解

网络结构大致可以分为三个部分讲解，作者还分别给他们起了名

2.1 buttom-up

这一部分就是常见的特征提取网络，比如VGG,ResNet之类的，不过对特征图的输出尺度有要求，相邻的输出特征图尺度是2倍的关系。作者以ResNet为例，以conv2, conv3, conv4, conv5的输出作为输出特征图，假设他们的输出特征图分别是 { C 2 , C 3 , C 4 , C 5 } \{C2,C3,C4,C5\} {C2,C3,C4,C5}，他们的尺度分别是输入图像的 { 1 4 , 1 8 , 1 16 , 1 32 } \{{\frac{1}{4}, \frac{1}{8},\frac{1}{16},\frac{1}{32}}\} {41​,81​,161​,321​}，可以看到，相邻的特征图之间的尺寸是2倍的关系。

2.2 top-down

该部分进行特征的融合操作，具体流程是，$C5$特征图进行2倍上采样，与$C4$相加，因为$C5$的尺寸是$C4$的$\frac{1}{2}$，所以进行2倍上采样之后，尺寸与$C4$一致，可以进行相加。然后将相加的结果再进行2倍上采样，与$C3$相加，以此类推。每一层融合后的特征图都要拿去做预测。

2.3 lateral

这一部分定义了融合操作的具体操作
1、每一层的输出特征图要先经过一个$1\times 1$的卷积核，为啥呢，为了将每个特征图的通道数变为相同，因为高层特征图的通道数往往比较多，而低层特征图的通道数比较少，即使进行了上采样也无法进行相加
2、2倍上采样采用的是最简单的最近邻插值
3、相加操作就是对应元素相加，这里要与yolov3的concatenate操作做区别，concatenate是拼接，会增加通道数的，而FPN里的融合不会改变特征图的尺寸

这篇关于FPN（Feature Pyramid Network）详解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！

---