用于目标检测的动态特征金字塔网络
计算机视觉与模式识别
2021-07-06 v2
摘要
特征金字塔网络(FPN)是现代目标检测框架中的关键组件。现有大多数FPN变体的性能提升主要归因于计算负担的增加。一种增强FPN的尝试是通过扩大感受野来丰富空间信息，这有望大幅改善检测精度。在本文中，我们首先研究扩大感受野如何影响FPN的精度与计算成本。我们探索了一个称为inception FPN的基线模型，其中每个横向连接包含具有不同核大小的卷积滤波器。此外，我们指出并非所有目标都需要如此复杂的计算，并提出了一种新的动态FPN(DyFPN)。DyFPN的输出特征将根据动态门控操作自适应选择的支路来计算。因此，所提方法能够提供更高效的动态推理，以在精度与计算成本之间实现更好的权衡。在MS-COCO基准上进行的广泛实验表明，所提DyFPN通过最优的计算资源分配显著提升了性能。例如，用DyFPN替换inception FPN可减少约40%的FLOPs，同时保持相似的高性能。
引用
@article{arxiv.2012.00779,
title = {Dynamic Feature Pyramid Networks for Object Detection},
author = {Mingjian Zhu and Kai Han and Changbin Yu and Yunhe Wang},
journal= {arXiv preprint arXiv:2012.00779},
year = {2021}
}