FPN-Feature Pyramid Networks for Object Detection

FPN-Feature Pyramid Networks for Object Detection

标签（空格分隔）： 深度学习 目标检测

---

这次学习的论文是FPN,是关于解决多尺度问题的一篇论文。记录下论文笔记，欢迎交流。转载请注明网址:http://www.cnblogs.com/alanma/p/6884121.html

动机：
特征金字塔是多尺度目标检测系统的一个基本组成部分。但是，在最近的深度学习目标检测上，考虑到特征金字塔花费的计算和存储代价，都选择避免使用特征金字塔。问题的关键是寻找特征金字塔对多尺度问题带来的准确率和代价的trade-off,这也就是这篇文章的研究目的。

整体思想：
因为深度卷积神经网络具有内在的多尺度性质（池化带来的不同size的feature map），网络由浅即深，分辨率越来越粗糙，但是语义信息越来越丰富。相似的思想利用在FCN的skip layer。要识别多尺度的目标，也需要利用不同level的feature map。作者利用了这种内在多尺度性质，设计出FPN。结构如下图：


到这，应该已经了解了FPN基本思想，就是想利用不同level的feature map预测不同尺度的目标。尺寸小的物体因不断的池化会在较深的层消失，所以利用浅层检测小目标，但是浅层不如深层具备丰富的语义特征，所以还需要浅层融合深层的特征。
总结来说，FPN = top-down的融合（skip layer） + 在金字塔各层进行prediction。

---

这部分比较FPN和其他多尺度方法，说明为什么FPN代价较小

下面是对比图：

图(a)是相当常见的一种多尺度方法，称为featurized image pyramid,这种方法在较早的人工设计特征（DPM）时被广泛使用,在CNN中也有人使用过。就是对input iamge进行multi scale，通过设置不同的缩放比例实现。这种可以解决多尺度，但是相当于训练了多个模型（假设要求输入大小固定），即便允许输入大小不固定，但是也增加了存储不同scale图像的内存空间。

图(b)就是CNN了，cnn相比人工设计特征，能够自己学习到更高级的语义特征，同时CNN对尺度变化鲁棒，因此如图，从单个尺度的输入计算的特征也能用来识别，但是遇到明显的多尺度目标检测时，还是需要金字塔结构来进一步提升准确率。
从现在在imageNet和COCO数据集上领先的的一些方法来看，在测试的时候都用到了featurized image pyramid方法,即结合(a)，(b)。 说明了特征化图像金字塔的每一级的好处在于，产生了多尺度的特征表示，每一级的特征都有很强的语义（因为都用cnn生成的特征），包括高分辨率的一级（最大尺度的输入图像）。
但是这种模式有明显的弊端，相比于原来方法，时间增长了4倍，很难在实时应用中使用，同样，也增大了存储代价，这就是为什么只是在测试阶段使用image pyramid。但是如果只在测试阶段使用，那么训练和测试在推断的时候会不一致。所以，最近的一些方法干脆舍弃了image pyramid。

但是image pyramid不是计算多尺度特征表示的唯一方法。deepCNN能够层次化的特征，而且因为池化的作用，会产生金字塔形的特征，具有一种内在的多尺度。但是问题在于，高分辨率的map（浅层）具有low-level的特征，所以浅层的目标识别性能较弱。这也是不同level融合的目的。
如图(c)，SSD较早尝试了使用CNN金字塔形的层级特征。理想情况下，SSD风格的金字塔 重利用了前向过程计算出的来自多层的多尺度特征图，因此这种形式是不消耗额外的资源的。但是SSD为了避免使用low-level的特征，放弃了浅层的feature map，而是从conv4_3开始建立金字塔，而且加入了一些新的层。因此SSD放弃了重利用更高分辨率的feature map，但是这些feature map对检测小目标非常重要。这就是SSD与FPN的区别。

图(4)是FPN的结构，FPN是为了自然地利用CNN层级特征的金字塔形式，同时生成在所有尺度上都具有强语义信息的特征金字塔。所以FPN的结构设计了top-down结构和横向连接，以此融合具有高分辨率的浅层layer和具有丰富语义信息的深层layer。这样就实现了从单尺度的单张输入图像，快速构建在所有尺度上都具有强语义信息的特征金字塔，同时不产生明显的代价。

FPN与FCN的区别：
FPN在金字塔的所有层都进行prediction。FCN同样进行了融合，但是最后是在单个层进行的prediction。

精度和速度：FPN作为一个通用的特征提取器，可以放入到其他网络中，实验展示了FPN带来的明显提升。FPN+faster r-cnn在coco数据集检测任务中碾压了所有现有的单模型方法。同时FPN+faster r-cnn的检测速度为5fps，因此也是一种可以实用的方法。

代码：作者还没放出...

---

FPN在RPN和fast rcnn上的使用

• 任意尺度的输入（全卷积）。输出是多层，成比例的(池化步长）的feature map。主体网络结构可任意，如ResNet
• Bottom-up
  排除conv1(考虑到内存），产生相同大小feature map尺寸的layer算做一个stage，其实就是以pool层为界。那特征金字塔的层的尺寸步长就是pool步长2。取每个stage的最后一层feature map作为特征金字塔的层，因为越深的层的特征语义信息越好。
• top-dowm和横向连接
  就是执行融合过程。首先上层上采样2倍（最近邻上采样），浅层进行1x1的卷积保证两层的维度相同，最后进行相加进行融合，得到更具有语义信息的浅层。最后，特征金子塔的每一级都进行3x3的卷积，免除上采样产生的混叠效应。
• 最后，所有的特征金字塔的层都要确保通道数一致(d =256)，因为它们最后在进行预测的时候，要共享最后的分类器（在RPN和fast rcnn中，共享了box的分类器和box的回归器）。
• RPN：因为特征金字塔的不同层已经代表着不同的尺度，所以在产生anchor的时候，在特定层只考虑不同的形状比，而不考虑不同的scale。然后特征金字塔的所有层共享box分类器和回归器。
• Fast rcnn： fast rcnn就是一个基于区域的目标检测器。以往它的输入是单尺度的。现在考虑FPN多尺度。因为我们可以将CNN的特征金字塔看成是来自于image pyramid.这个不难理解，因为CNN的每层对应不同大小的感受野。那么多尺度需要将不同大小的roi，对应到特征金字塔的不同的层（因为我们要将CNN的特征金字塔看成是来自于image pyramid.）。论文给出了计算公式：
  
  根据公式很容易理解，文章把224224大小的ROI对应到ResNet faster rcnn的C4, 如果有一个roi大小是224224的1/4，也就是更小的目标，应该对应到比C4更浅的层去。再根据池化的步长，很容易推测出对应到C3,那么检测112*112大小的roi,就到C3层检测。
  同RPN一样，后面也共用box分类器和box回归器。