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
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
本文提出了一种名为 IPG-Net 的新型网络,旨在解决 CNN 目标检测中浅层保留空间信息但缺乏语义信息、深层具有高语义概念但丢失了很多空间信息的信息不平衡问题。IPG-Net 引入了图像金字塔引导来解决这个问题,并在两种检测模型上得到了最新的结果。
Dec, 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
GFNet 是一个简单而高效的架构,它通过频域中的长期空间依赖性来替换自注意力层,在 ImageNet 和下游任务中表现出有竞争力的准确性 / 复杂性权衡。
Jul, 2021
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
本文分析了现有的特征金字塔结构在物体检测方面的问题,提出了一种新的名为 AugFPN 的特征金字塔架构,成功应用在 Faster R-CNN、RetinaNet 和 FCOS 等模型中,显著提高了平均精度 AP。
该研究提出了一个名为 GCPANet 的新网络,采用一些渐进式的、上下文感知的特征交织聚合 (FIA) 模块有效地整合低层外观特征、高层语义特征和全局上下文特征,并通过监督学习生成显着性图像。此外,还设计了一个头部注意力 (HA) 模块、一个自我细化 (SR) 模块和一个全局上下文流 (GCF) 模块,以进一步提高网络性能。实验结果表明,该方法在六个基准数据集上的表现比现有方法都要好。
Mar, 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
提出了一种名为 Feature Pyramid Transformer(FPT)的全新特征交互方法,能够将任何特征金字塔转换为具有更多上下文信息的相同大小的特征金字塔,从而有效捕捉不同尺度中物体的非局部上下文特征。在实例级和像素级分割任务中,使用不同的骨干网络和头部网络进行了广泛实验,并观察到相对于所有基线和现有最先进方法均有持续的提高。
Jul, 2020