本次继续介绍一篇有关目标检测的论文 《Feature Pyramid Networks for Object Detection》 ，作者包含Piotr Dollar, Ross Girshick，何凯明等大神，阵容很好很强大。

特征金字塔 在基于深度学习的多尺度目标检测中早有应用，通常有以下几种使用方式。

（1）网络是一个简单的全卷积网络，为了检测不同尺度的目标，依次将原图按比例缩放并送入网络。缺点是需要多次resize图像，繁琐耗时。

（2） 网络是一个高深的全卷积网络，输入任意尺寸的原图，得到一个feature map，在feature map上进行多个尺度的目标位置回归。 R-CNN系列就是这种方法。缺点是容易漏掉小目标，同时搞定多个尺度难度较大。

（3） 对(2)进行改进，在不同分辨率的feature map上进行目标位置预测。缺点是底部的feature map的特征表达能力不足。

（4）本文的方法: 有点类似(2)和(3)的组合，既可以在不同分辨率的feature map上检测对应尺度的目标，同时feature map又具有足够的特征表达能力。这是因为每层的feature map来源于当前层和更高级层的特征融合。

具体的融合方法如下图所示，每一级的feature map尺寸都是2倍的关系，“2x up”采用的是最简单的最近邻上采样.

ConvNeXt的 网络 结构基于Inception-v4，但采用了更加灵活的多尺度卷积设计。具体而言，ConvNeXt将不同尺寸的卷积核组合成一个大的卷积核，从而提高感受野并减少参数数量。为了进一步降低参数数量和计算复杂度，ConvNeXt采用了分组卷积，并且在卷积层之间添加了批量归一化（Batch Normalization）和激活函数（ReLU）。 这是用于对象检测的 特征 金字塔 网络 的非官方版本 特征 金字塔 网络 FPN(resnet50)-end2end result is implemented without OHEM and train with pascal voc 2007 + 2012 test on 2007 合并rcnn mAP@0.5 0.788 0.8079 0.8036 0.8010 0.7293 0.6743 0.8680 0.8766 0.8967 0.6122 0.8646 0.7330 0.8855 0.8760 0.8063 0.7999 0.5138 0.7905 0.7755 0.8637 0.7736 FPN一、简介1 人工 特征 之 特征 化图像 金字塔 2 卷积 网络 之单尺度 特征 图3 卷积 网络 之 金字塔 特征 层级4 卷积 网络 之top-down结构 FPN：Feature Pyramid Networks for Object Detection 这篇文章主要基于 特征 金字塔 (Feature Pyramids) 解决了 目标检测 系统中识别多尺度目标的不足。 尽管 特征 金字塔 是识别任务中实现多尺度 目标检测 的基本技术之一，但因为其 计算量大、内存占用高 而难以应用在 深度学习 目标检测 中，因此先前的 深度学习 目标检测 网络 会 本人 深度学习 小白，想用matlab做两组传感器数据的神经 网络 特征 融合，不知道我的想法对不对，我在工具箱里这么编写了一个基于AlexNet的神经 网络 模型，两组数据经过相同的卷积层，再通过一个additionLayer连接层绑两组数据连接起来，再通过三个全连接层，最后输出三个分类。但是训练时会一直报错 本文的STN是要增强其对异常样本表征的输出差异.为此,本文提出多尺度 特征 融合的知识蒸馏异常检测方法.该方法为学生 网络 单独设计 特征 重构模块,打破原有教师 网络 和学生 网络 的相似结构,在保证学生 网络 对正常样本充分学习的基础上,扩大学生 网络 和教师 网络 对异常样本的表征差异.为进一步凸显异常区域 特征 ,抑制非异常区域 特征 ,本文方法融合SAM,通过空间注意力权重计算,增大异常与非异常区域的区分度,并在多个分辨率 特征 图上进行了融合,缺点未对教师 网络 传授的知识进行过滤,难以保证教师 网络 传授学生 网络 知识的准确性. 特征 金字塔 是目前用于 目标检测 、语义分割、行为识别等方面比较重要的一个部分，对于提高模型性能具有非常好的表现。 不同大小的目标都经过了相同的降采样比例后会出现较大的语义代沟，最常见的表现就是小 目标检测 精度比较低。 特征 金字塔 具有在不同尺度下有不同分辨率的特点，不同大小的目标都可以在相应的尺度下拥有合适的 特征 表示，通过融合多尺度信息，在不同尺度下对不同大小的目标进行预测，从而很好地提升了模型的性能。 CV方向的 特征 金字塔 经历了Featurized image pyramid、Single feature map、Pyramidal feature hierarchy和Feature Pyramid Network（YOLOv3）发展过程。到目前，涌现出了像GFM（ThunderNet）和EFM（CSPNet）等表现更优秀的 特征 金字塔 模型. 1、introduction 在 目标检测 中，对于小目标的检测是一个难点，如果我们使用传统的多级卷积运算，可能导致像素占比少的小目标在该过程中丢失，所以如何提取高级 特征 还能保留小目标的信息是一个问题。 FPN即 特征 金字塔 ，来自论文《Feature Pyramid Networks for Object Detection》。 图2 高斯 金字塔 效果 如上图所示，这是一个图像 金字塔 ，做CV的你肯定很熟悉，因为在很多的经典算法里面都有它的身影，比如SIFT、HOG等算法。我们常用的是高斯 金字塔 ... 特征 金字塔 是 目标检测 识别系统中的一个基础组件，但是最近深度 目标检测 器避免使用 金字塔 的表示方式，部分原因是因为 特征 金字塔 是强计算和强内存的，计算非常昂贵。 原有的 目标检测 算法通常都是只采用顶层 特征 做检测，原因是 网络 顶层 特征 的语义信息比较丰富。然而，虽顶层 特征 的语义信息丰富，但其中的目标位置信息却比较粗略，不利于目标包围框的准确定位；相反，虽然底层 特征 的语义信息比较少，但其中目标的位置信息却非常准确。 再次背景下，作者利用深度卷积神经 网络 固有的多尺度、多层级的 金字塔 结构去构建 特征 金字塔 网络 FPN构建 能够完好地保留物体的尺度信息，不存在2D图像中物体尺度变化大的问题（近处的物体尺度较大，远处的物体尺度较小） 不存在2D图片表示下，物体相互遮挡的问题 large and sparse 不适用于检测小尺度物体（比如行人或者自行车等等） 不适用于检测空间中分布较为密集的物体 不适用于室内数据集的检测，因为在室内数据集中，可能存在物体相互遮挡的情况（比如椅子位于书桌下等等）(解决方式：文献[]) 小尺度物体的信息在 网络 下采样的过程中可能会发生丢失（解决方式：文献. https://arxiv.org/abs/1612.03144 FRN（Feature Pyramid Networks） Feature Pyramid（ 特征 金字塔 ）,可以用于检测不同尺度的目标，将图片缩放到不同大小并分别提取其 特征 并进行检测，FPN使用少量成本，利用卷积 网络 固有的多尺度 金字塔 层次结构来构建 特征 金字塔 ，是一种带有侧向连接的自顶向下的结构，实现 特征 融