轉自：https://blog.csdn.net/u014380165/article/details/72890275/

這篇論文是CVPR2017年的文章，採用特徵金字塔做目標檢測，有許多亮點，特來分享。

論文：feature pyramid networks for object detection 
論文連結：https://arxiv.org/abs/1612.03144

論文概述：

作者提出的多尺度的object detection演算法：FPN（feature pyramid networks）。原來多數的object detection演算法都是隻採用頂層特徵做預測，但我們知道低層的特徵語義資訊比較少，但是目標位置準確；高層的特徵語義資訊比較豐富，但是目標位置比較粗略。另外雖然也有些演算法採用多尺度特徵融合的方式，但是一般是採用融合後的特徵做預測，而本文不一樣的地方在於預測是在不同特徵層獨立進行的。 

論文詳解：

下圖FIg1展示了4種利用特徵的形式： 
（a）影象金字塔，即將影象做成不同的scale，然後不同scale的影象生成對應的不同scale的特徵。這種方法的缺點在於增加了時間成本。有些演算法會在測試時候採用影象金字塔。 
（b）像SPP net，Fast RCNN，Faster RCNN是採用這種方式，即僅採用網路最後一層的特徵。 
（c）像SSD（Single Shot Detector）採用這種多尺度特徵融合的方式，沒有上取樣過程，即從網路不同層抽取不同尺度的特徵做預測，這種方式不會增加額外的計算量。作者認為SSD演算法中沒有用到足夠低層的特徵（在SSD中，最低層的特徵是VGG網路的conv4_3），而在作者看來足夠低層的特徵對於檢測小物體是很有幫助的。 
（d）本文作者是採用這種方式，頂層特徵通過上取樣和低層特徵做融合，而且每層都是獨立預測的。

如下圖Fig2。上面一個帶有skip connection的網路結構在預測的時候是在finest level（自頂向下的最後一層）進行的，簡單講就是經過多次上取樣並融合特徵到最後一步，拿最後一步生成的特徵做預測。而下面一個網路結構和上面的類似，區別在於預測是在每一層中獨立進行的。後面有這兩種結構的實驗結果對比，非常有意思，因為之前只見過使用第一種特徵融合的方式。

作者的主網路採用ResNet。 
作者的演算法大致結構如下Fig3：一個自底向上的線路，一個自頂向下的線路，橫向連線（lateral connection）。圖中放大的區域就是橫向連線，這裡1*1的卷積核的主要作用是減少卷積核的個數，也就是減少了feature map的個數，並不改變feature map的尺寸大小。

自底向上其實就是網路的前向過程。在前向過程中，feature map的大小在經過某些層後會改變，而在經過其他一些層的時候不會改變，作者將不改變feature map大小的層歸為一個stage，因此每次抽取的特徵都是每個stage的最後一個層輸出，這樣就能構成特徵金字塔。 
自頂向下的過程採用上取樣（upsampling）進行，而橫向連線則是將上取樣的結果和自底向上生成的相同大小的feature map進行融合（merge）。在融合之後還會再採用3*3的卷積核對每個融合結果進行卷積，目的是消除上取樣的混疊效應（aliasing effect）。並假設生成的feature map結果是P2，P3，P4，P5，和原來自底向上的卷積結果C2，C3，C4，C5一一對應。

貼一個ResNet的結構圖：這裡作者採用Conv2，CONV3，CONV4和CONV5的輸出。因此類似Conv2就可以看做一個stage。

作者一方面將FPN放在RPN網路中用於生成proposal，原來的RPN網路是以主網路的某個卷積層輸出的feature map作為輸入，簡單講就是隻用這一個尺度的feature map。但是現在要將FPN嵌在RPN網路中，生成不同尺度特徵並融合作為RPN網路的輸入。在每一個scale層，都定義了不同大小的anchor，對於P2，P3，P4，P5，P6這些層，定義anchor的大小為32^2,64^2,128^2,256^2，512^2，另外每個scale層都有3個長寬對比度：1:2，1:1，2:1。所以整個特徵金字塔有15種anchor。

正負樣本的界定和Faster RCNN差不多：如果某個anchor和一個給定的ground truth有最高的IOU或者和任意一個Ground truth的IOU都大於0.7，則是正樣本。如果一個anchor和任意一個ground truth的IOU都小於0.3，則為負樣本。

看看加入FPN的RPN網路的有效性，如下表Table1。網路這些結果都是基於ResNet-50。評價標準採用AR，AR表示Average Recall，AR右上角的100表示每張影象有100個anchor，AR的右下角s，m，l表示COCO資料集中object的大小分別是小，中，大。feature列的大括號{}表示每層獨立預測。

從（a）（b）（c）的對比可以看出FRN的作用確實很明顯。另外（a）和（b）的對比可以看出高層特徵並非比低一層的特徵有效。 
（d）表示只有橫向連線，而沒有自頂向下的過程，也就是僅僅對自底向上（bottom-up）的每一層結果做一個1*1的橫向連線和3*3的卷積得到最終的結果，有點像Fig1的（b）。從feature列可以看出預測還是分層獨立的。作者推測（d）的結果並不好的原因在於在自底向上的不同層之間的semantic gaps比較大。 
（e）表示有自頂向下的過程，但是沒有橫向連線，即向下過程沒有融合原來的特徵。這樣效果也不好的原因在於目標的location特徵在經過多次降取樣和上取樣過程後變得更加不準確。 
（f）採用finest level層做預測（參考Fig2的上面那個結構），即經過多次特徵上取樣和融合到最後一步生成的特徵用於預測，主要是證明金字塔分層獨立預測的表達能力。顯然finest level的效果不如FPN好，原因在於PRN網路是一個視窗大小固定的滑動視窗檢測器，因此在金字塔的不同層滑動可以增加其對尺度變化的魯棒性。另外（f）有更多的anchor，說明增加anchor的數量並不能有效提高準確率。

另一方面將FPN用於Fast R-CNN的檢測部分。除了（a）以外，分類層和卷積層之前添加了2個1024維的全連線層。細節地方可以等程式碼出來後再研究。 
實驗結果如下表Table2，這裡是測試Fast R-CNN的檢測效果，所以proposal是固定的（採用Table1（c）的做法）。與Table1的比較類似，（a）（b）（c）的對比證明在基於區域的目標卷積問題中，特徵金字塔比單尺度特徵更有效。（c）（f）的差距很小，作者認為原因是ROI pooling對於region的尺度並不敏感。因此並不能一概認為（f）這種特徵融合的方式不好，博主個人認為要針對具體問題來看待，像上面在RPN網路中，可能（f）這種方式不大好，但是在Fast RCNN中就沒那麼明顯。

同理，將FPN用於Faster RCNN的實驗結果如下表Table3。

下表Table4是和近幾年在COCO比賽上排名靠前的演算法的對比。注意到本文演算法在小物體檢測上的提升是比較明顯的。

另外作者強調這些實驗並沒有採用其他的提升方法（比如增加資料集，迭代迴歸，hard negative mining），因此能達到這樣的結果實屬不易。

總結
作者提出的FPN（Feature Pyramid Network）演算法同時利用低層特徵高解析度和高層特徵的高語義資訊，通過融合這些不同層的特徵達到預測的效果。並且預測是在每個融合後的特徵層上單獨進行的，這和常規的特徵融合方式不同。