文章目录[隐藏]

一、引言

论文链接：https://arxiv.org/abs/1612.03144

FPN：Feature Pyramid Network。从名称可看出，是对特征图进行一个“金字塔”的处理。目标是利用卷积网络的金字塔特征层次结构，它具有从低到高的语义，并构建一个从头到尾都具有高级语义的特征金字塔。

论文中提到

recent deep learning object detectors have avoided pyramid
representations, in part because they are compute and memory
intensive.

之前的金字塔处理会耗费计算和存储资源，所以最近的一些目标检测方法都避免了一些金字塔化的处理。让我们看看以前的金字塔化是怎样的结构吧！

二、结构对比

图d是FPN的结构。论文中列出以下四种结构进行对比。
在这里插入图片描述

（a）对图像做金字塔处理
先对原始图像构造图像金字塔，分别对这些图像作特征提取，并预测。这种方法的缺点是计算量大，需要大量的内存；优点是可以获得较好的检测精度。
（b）传统的预测方法
对原始图像进行不断的卷积，然后输出一个高维特征的矩阵，对该矩阵作预测。浅层的网络更关注于细节和位置信息，高层的网络更关注于语义信息，而高层的语义信息能够帮助我们准确的检测出目标，因此我们可以利用最后一个卷积层上的feature map来进行预测。
（c）SSD的结构
对中间产生的一部分特征矩阵分别作预测。但缺陷是，SSD忽略了低层特征，即错过了重用高分辨率特征映射的机会（高分辨率的特征图对于检测小物体是很重要的）。采用这种多尺度特征融合的方式，没有上采样过程，即从网络不同层抽取不同尺度的特征做预测，这种方式不会增加额外的计算量。作者认为SSD算法中没有用到足够低层的特征（在SSD中，最低层的特征是VGG网络的conv4_3），而在作者看来足够低层的特征对于检测小物体是很有帮助的。
（d）本文提出的FPN模型
本文的目标是自然地利用卷积神经网络特征层次的金字塔形状，同时创建一个在所有尺度上具有强大语义的特征金字塔。

FPN结构：①首先自底向上一层层卷积，提取特征。②然后通过自顶向下路径和横向连接将低分辨率、语义强的特征与高分辨率、语义弱的特征结合在一起的架构。这样形成的特征金字塔，在所有层次上都具有丰富的语义，并从单个输入图像规模快速构建。换句话说，这种方法展示了如何创建网络内的特征金字塔，这些特征金字塔可以用来替换特征图像金字塔，而不牺牲表示能力、速度或内存。

三、实现细节

以Resnet来举例。
preview

自底向上其实就是网络的前向过程。在前向过程中，feature map的大小在经过某些层后会改变，而在经过其他一些层的时候不会改变，作者将不改变feature map大小的层归为一个stage，因此每次抽取的特征都是每个stage的最后一个层输出，这样就能构成特征金字塔。
C1 C2 C3 C4 C5是经过层层卷积产生的特征图。没有使用C1是因为它的尺寸太大，会占用大量的内存。
自顶向下的过程采用上采样（upsampling）进行，而横向连接则是将上采样的结果和自底向上生成的相同大小的feature map进行融合（merge）。在融合之后还会再采用3*3的卷积核对每个融合结果进行卷积，目的是消除上采样的混叠效应（aliasing effect）。并假设生成的feature map结果是P2，P3，P4，P5，和原来自底向上的卷积结果C2，C3，C4，C5一一对应。

这样提取出来的P2 P3 P4 P5就是一个融合低分辨率特征和高分辨率特征的特征向量了。

再拿Faster RCNN举例，P2 P3 P4 P5会由RPN网络以及最终的定位分类网络共用。

作者一方面将FPN放在RPN网络中用于生成proposal，原来的RPN网络是以主网络的某个卷积层输出的feature map作为输入，简单讲就是只用这一个尺度的feature map。但是现在要将FPN嵌在RPN网络中，生成不同尺度特征并融合作为RPN网络的输入。P6是由P5上采样形成的，只在RPN网络部分使用。
在每一个scale层，都定义了不同大小的anchor，对于P2，P3，P4，P5，P6这些层，定义anchor的大小为 $32^2 322, 6 4 2 64^2 642, 12 8 2 128^2 1282, 25 6 2 256^2 2562， 51 2 2 512^2 5122，另外每个scale层都有3个长宽对比度：1:2，1:1，2:1。所以整个特征金字塔有15种anchor。$

四、实验结果

在这里插入图片描述
（a）是基于conv4的特征图做的检测，（b）是基于conv5的特征图做的检测。这两个比较可以得出结论，并不是高层特征就比低一层的特征更有效。
（c）是FPN的，和a b 比较可以看出特征金字塔的优势。
（d）是SSD形式的，效果也比FPN差。
（e）表示有自顶向下的过程，但是没有横向连接，即向下过程没有融合原来的特征。这样效果也不好的原因在于目标的location特征在经过多次降采样和上采样过程后变得更加不准确。
（f）只用FPN结构中的P2，还是比FPN差，（f）有更多的anchor，说明增加anchor的数量并不能有效提高准确率。

在这里插入图片描述
将FPN用于Fast R-CNN的检测部分。除了（a）以外，分类层和卷积层之前添加了2个1024维的全连接层。
实验结果如下表Table2，这里是测试Fast R-CNN的检测效果，所以proposal是固定的（采用Table1（c）的做法）。与Table1的比较类似，（a）（b）（c）的对比证明在基于区域的目标卷积问题中，特征金字塔比单尺度特征更有效。（c）（f）的差距很小，原因可能是ROI pooling对于region的尺度并不敏感。因此并不能一概认为（f）这种特征融合的方式不好，要针对具体问题来看待，像上面在RPN网络中，可能（f）这种方式不大好，但是在Fast RCNN中就没那么明显。