AugFPN: 改进目标检测多尺度特征学习
提出了两种可行的策略来解决特征金字塔网络(FPN)在物体检测中对大尺度物体检测能力的抑制,即引入辅助目标函数来使每个骨干网络层直接接收不同尺度的物体的反向传播信号和更合理地构建特征金字塔,实验证明这两种策略有效率高,可以在各种检测框架中获得相当的改进
Jul, 2022
通过提出基于注意力聚合机制的特征金字塔网络(A^2-FPN),来提升多尺度特征学习的能力, 在不同的实例分割框架中实现了一致的性能提升,例如,在使用 ResNet-50 和 ResNet-101 作为骨干网的 Mask R-CNN 中,相比于 FPN 增加了 2.1% 和 1.6% 的掩膜 AP。此外,在 Cascade Mask R-CNN 和 Hybrid Task Cascade 等强基线中,A^2-FPN 的掩膜 AP 分别提高了 2.0% 和 1.4%。
May, 2021
该论文介绍了基于深度卷积网络的 Feature Pyramid Network(FPN),该网络利用深度卷积网络自带的金字塔多尺度特征,并在多种应用中取得了重大改进,尤其是在目标检测上。使用 FPN 的 Faster R-CNN 系统在 COCO 检测基准测试中取得了最先进的单模型结果。此外,该方法能够在 GPU 上以 5 FPS 的速度运行,是一种实用且准确的多尺度目标检测解决方案。
Dec, 2016
本文提出的基于图形特征金字塔网络的多尺度特征学习方法,在对象检测任务中优化了 Faster R-CNN 算法,并超越了之前的最先进特征金字塔算法和其他流行的检测方法。
Aug, 2021
本文介绍了使用神经架构搜索方法学习目标检测特征金字塔网络的新架构 NAS-FPN。NAS-FPN 采用自下而上和自上而下的连接方式,通过结合 RetinaNet 框架中的各种骨干模型,相比当前最先进的目标检测模型,在精度和延迟的交易方面取得更好的效果。NAS-FPN 在移动检测精度方面比 [32] 中的最先进的 SSDLite with MobileNetV2 模型提高 2 个方差值,并以更少的计算时间实现了 48.3 的检测精度,超过了 Mask R-CNN [10] 的检测精度。
Apr, 2019
该论文提出了一种渐近特征金字塔网络(AFPN),通过渐进地将更高层次的特征融入到融合过程中,实现了不相邻层次的直接交互,并采用了自适应空间融合操作来缓解可能出现的多目标信息冲突。实验评估结果表明,AFPN 比其他最先进的特征金字塔网络具有更具竞争力的结果。
Jun, 2023
本文通过扩大特征金字塔网络(FPN)的感受野来增强空间信息,从而提高目标检测精度,提出了一种新的动态 FPN(DyFPN)方法,它可以通过适应性选择分支进行动态计算,以在维持高性能的情况下更有效地利用计算资源。实验证明,与基准模型相比,采用 DyFPN 可以以更少的计算量获得相似的高性能。
Dec, 2020
本文提出了一种特征对齐模块和特征选择模块,用于上下文对齐上采样的高级特征,以及强调富有空间细节的低级特征,并将这两个模块集成在一个自上而下的金字塔结构中,形成了一种名为特征对齐金字塔网络(FaPN)的方法,该方法在四个密集预测任务和四个数据集上表现出比 Faster / Mask R-CNN 配对的 FPN 改进了 1.2-2.6 个 AP /mIoU 点,特别地,在 Mask-Former 中融合后,FaPN 在 ADE20K 上实现了 56.7%的 mIoU,代码可从此 URL 获得
Aug, 2021
本研究提出一种 fine-grained dynamic head 方法,结合 Feature Pyramid Network(FPN)和 spatial gate 的机制实现多尺度特征的表示,进一步提高了物体检测的效率和精确度。
Dec, 2020