Feature Pyramid Networks for Object Detection 阅读笔记

标签（空格分隔）： 论文笔记 物体检测

---

该论文主要提出了top-down的思想，对图像进行进行多尺度物体检测，尝试解决尺度不变性的问题

Feature pyramids（多尺度特征金字塔）在传统的计算机视觉算法中进场被用到，而在深度学习中，都尽量避免使用多尺度相关的算法，因为一旦涉及多尺度，计算量将成倍增加。

在这篇论文中，作者认为在卷积网络中的每一层，就对应一个尺度的特征，然而在目前的网络中，只是用到了最后一层尺度的特征，于是作者提出了Feature Pyramid Network（FPN）. FPN结构在进行物体检测时，不光用到了最后卷积层的feature map，同时也将之前层的feature map结合起来。该结构是结合了Faster RCNN。

1. In this paper, we exploit the inherent multi-scale, pyramidal hierarchy of deep convolutional networks to construct feature pyramids with marginal extra cost.
2. A top-down architecture with lateral connections is developed for building high-level semantic feature maps at all scales.

作者给出了目前四种常见利用多尺度信息的方法：

（a）该方法是现将输入图像进行resize后喂入算法，进行分类和回归，早期的深度学习算法基本上都是这样做的；
（b）这是目前最常见的，将图像送入网络，去最后一层的feature map进行分类回归；
（c）这是利用每一层的feature map进行分类回归最后，进行融合，这种形式代表性的是SSD，但是SSD中，是在基础网络中添加了几个卷积层，然后添加的几个卷积层的feature map进行分类回归；
（d）这是作者提出来的。

这篇论文给出了两个关键的词语bottom-up和top-down
bottom-up：就是底层信息向高层传播，在深度学习中，网络结构是以层级结构进行排布的，图像从输入到输出，信息是由底层到高层传播的，所谓底层信息就是图像的轮廓，纹理等底层的形状信息；所谓高层信息就是图像的类别，物体的关键部位等高层的语义信息，故bottom-up就是网络的前向传播过程。
top-down:就是高层信息往底层传播，这里的信息是每层的fearure map而非梯度

在这里要解释为什么会存在top-down这样的操作？

因为图像需要检测比较小的物体，直接说就是细粒度的问题，这篇论文（Beyond Skip Connections: Top-Down Modulation for Object Detection）给了个说法，它是这样解释的：高层信息往往语义层面的，是粗糙的，对物体的性状描述是不细腻的；而底层信息是对图像的形状描述是精致的，于是在进行微小物体检测时，最好的方法，是将高层的语义信息和底层的形状信息结合起来。

再来说说，作者是怎么个结合的。。

（1）左边箭头依次朝上是bottom-up, 右边的箭头朝下是top-down的过程
（2）网络传至卷积最后一层之后，进行上采样（caffe 中进行反卷积操作）还原层上一层的尺度，然后 与上一层的feature map相加，如此下去；
（3）作者还提出为了保证top-down过程中，feature map的channel一致，进行了1×1的卷积操作

Github:https://github.com/unsky/FPN-caffe
网络可视化：http://ethereon.github.io/netscope/#/editor