python神經(jīng)網(wǎng)絡(luò)特征金字塔FPN原理

更新時(shí)間：2022年05月07日 08:36:17 作者：Bubbliiiing

這篇文章主要為大家介紹了python神經(jīng)網(wǎng)絡(luò)特征金字塔FPN原理的解釋，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進(jìn)步，早日升職加薪

什么是特征金字塔

很多文章里面寫道特征金字塔這個(gè)結(jié)構(gòu)，其實(shí)這個(gè)結(jié)構(gòu)Very-Easy

目標(biāo)檢測(cè)任務(wù)和語義分割任務(wù)里面常常需要檢測(cè)小目標(biāo)，但是小目標(biāo)比較小呀，可能在原圖里面只有幾十個(gè)像素點(diǎn)。就像這個(gè)樣子。

我不檢測(cè)這個(gè)貓，我就檢測(cè)這一片片落葉，是不是每個(gè)落葉所占的像素點(diǎn)特別少呢。

答案肯定是的。

最關(guān)鍵的問題就是，像素點(diǎn)少會(huì)對(duì)目標(biāo)檢測(cè)有什么影響！

我這里沒有嚴(yán)密的數(shù)學(xué)推導(dǎo)，就從思想上來說，對(duì)于深度卷積網(wǎng)絡(luò)，從一個(gè)特征層卷積到另一個(gè)特征層，無論步長是1還是2還是更多，卷積核都要遍布整個(gè)圖片進(jìn)行卷積，大的目標(biāo)所占的像素點(diǎn)比小目多，所以大的目標(biāo)被經(jīng)過卷積核的次數(shù)遠(yuǎn)比小的目標(biāo)多，所以在下一個(gè)特征層里，會(huì)更多的反應(yīng)大目標(biāo)的特點(diǎn)。

特別是在步長大于等于2的情況下，大目標(biāo)的特點(diǎn)更容易得到保留，小目標(biāo)的特征點(diǎn)容易被跳過。

因此，經(jīng)過很多層的卷積之后，小目標(biāo)的特點(diǎn)會(huì)越來越少，越小越小。

特征金字塔所做的其實(shí)就是下面這幅圖。

這個(gè)結(jié)構(gòu)與語義分割中的unet結(jié)構(gòu)非常像，其對(duì)特征點(diǎn)進(jìn)行不斷的下采樣后，擁有了一堆具有高語義內(nèi)容的特征層，然后重新進(jìn)行上采樣，使得特征層的長寬重新變大，用大size的feature map去檢測(cè)小目標(biāo)，當(dāng)然不可以簡(jiǎn)單只上采樣，因?yàn)檫@樣上采樣的結(jié)果對(duì)小目標(biāo)的特征與信息也不明確了，因此我們可以將下采樣中，與上采樣中長寬相同的特征層進(jìn)行堆疊，這樣可以保證小目標(biāo)的特征與信息。