标签：预测 特征 FPN Faster RCNN proposal 解析 结构

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

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。