FPN结构解析

1.FPN:feature pyramid Networks for object detection。(2016年cvpr上)
2.在Faster RCNN中使用FPN，可以提高2-3个点。

第一个图是图像金字塔，他在不同的尺度上预测图像的结果。第二个是类似于FasterRCNN，在经过Backbone之后进行预测。第三个是在不同的特征图上进行预测，相当于SSD。第四个图是，对不同的特征层进行融合生成新的特征层，最后再进行预测。

预测图中特征层的尺寸都是按2的倍数选取的。FPN中1x1的卷积核的作用:调整Backbone上不同特征层的channel，高层与底层的特征图融合，进行上采样之后add。完整的FPN结果:

在Faster RCNN中，应用RPN在P2到P5的特征图上生成proposal，将预测得到的proposal映射到P2-P5上，映射部分的特征送入到Faster RCNN中得到最终预测结果。较底层的会保留更多的底层细节信息，适合预测小型目标。每个预测特征层都有RPN，通过权值共享减少参数量。

计算proposal应该映射到那个预测特征层。

标签：预测,特征,FPN,Faster,RCNN,proposal,解析,结构
来源： https://blog.csdn.net/laner__gg/article/details/119317374