python神經(jīng)網(wǎng)絡(luò)特征金字塔FPN原理

更新時間：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結(jié)構(gòu)，其實這個結(jié)構(gòu)Very-Easy

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

我不檢測這個貓，我就檢測這一片片落葉，是不是每個落葉所占的像素點特別少呢。

答案肯定是的。

最關(guān)鍵的問題就是，像素點少會對目標檢測有什么影響！

我這里沒有嚴密的數(shù)學推導，就從思想上來說，對于深度卷積網(wǎng)絡(luò)，從一個特征層卷積到另一個特征層，無論步長是1還是2還是更多，卷積核都要遍布整個圖片進行卷積，大的目標所占的像素點比小目多，所以大的目標被經(jīng)過卷積核的次數(shù)遠比小的目標多，所以在下一個特征層里，會更多的反應(yīng)大目標的特點。

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

因此，經(jīng)過很多層的卷積之后，小目標的特點會越來越少，越小越小。

特征金字塔所做的其實就是下面這幅圖。

這個結(jié)構(gòu)與語義分割中的unet結(jié)構(gòu)非常像，其對特征點進行不斷的下采樣后，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去檢測小目標，當然不可以簡單只上采樣，因為這樣上采樣的結(jié)果對小目標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行堆疊，這樣可以保證小目標的特征與信息。