FPN 特征金字塔 理解

Feature Pyramid Networks

对于Faster Rcnn使用FPN,cocoAP提升2.3个点,pascalAP提升3.8个点

1*1的conv,调整通道数,原论文中的1*!的卷积核个数为256,即最终得到的特征图的channel都等于256.

2倍上采样,7*7变成14*14,代码中是邻近插值算法

此处参考:

https://www.bilibili.com/video/BV1dh411U7D9?spm_id_from=333.999.0.0

版权声明:本文为CSDN博主「我真帅66」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。
原文链接:https://blog.csdn.net/qq_53029963/article/details/122400943

我真帅66

我还没有学会写个人说明!

暂无评论

发表评论

相关推荐

CVPR2021: Sparse R-CNN新的目标检测模型

今天我们将讨论由四个机构的研究人员提出的一种方法,其中一个是字节跳动人工智能实验室。他们为我们提供了一种新的方法,称为稀疏R-CNN(不要与 Sparse R-CNN 混淆,后者在 3D 计算机视觉任务

实战深度学习目标检测:RCNN (1)

深度学习目标检测:RCNN 什么是目标检测?目标检测主要是明确从图中看到了什么物体?他们在什么位置。传统的目标检测方法一般分为三个阶段:首先在给定的图像上选择一些候选的区域&#xff0c