AugFPN：改进目标检测中的多尺度特征学习
计算机视觉与模式识别
2019-12-12 v1
摘要
当前最先进的检测器通常利用特征金字塔来检测不同尺度的物体。其中，FPN 是通过多尺度特征求和构建特征金字塔的代表性工作之一。然而，其背后的设计缺陷阻碍了多尺度特征被充分利用。本文中，我们首先分析 FPN 中特征金字塔的设计缺陷，然后引入一种名为 AugFPN 的新特征金字塔架构来解决这些问题。具体而言，AugFPN 由三个组件构成：一致性监督、残差特征增强和软 RoI 选择。AugFPN 在特征融合前通过一致性监督缩小不同尺度特征之间的语义鸿沟。在特征融合中，残差特征增强提取尺度不变上下文信息以减少最高金字塔层级特征图的信息损失。最后，采用软 RoI 选择在特征融合后自适应地学习更好的 RoI 特征。通过在 Faster R-CNN 中用 AugFPN 替换 FPN，我们的模型在使用 ResNet50 和 MobileNet-v2 作为骨干网络时分别实现了高 2.3 和 1.6 点的平均精度（AP）。此外，当使用 ResNet50 作为骨干网络时，AugFPN 将 RetinaNet 提升 1.6 点 AP，将 FCOS 提升 0.9 点 AP。代码将公开。
引用
@article{arxiv.1912.05384,
title = {AugFPN: Improving Multi-scale Feature Learning for Object Detection},
author = {Chaoxu Guo and Bin Fan and Qian Zhang and Shiming Xiang and Chunhong Pan},
journal= {arXiv preprint arXiv:1912.05384},
year = {2019}
}