GraphFPN：用于目标检测的图特征金字塔网络
计算机视觉与模式识别
2022-01-12 v3
摘要
特征金字塔已被证明在需要多尺度特征的图像理解任务中十分强大。最先进的多尺度特征学习方法侧重于使用具有固定拓扑的神经网络跨空间和尺度执行特征交互。本文中，我们提出图特征金字塔网络，其能够使其拓扑结构适应变化的固有图像结构，并支持跨所有尺度的同时特征交互。我们首先为每个输入图像定义特定于图像的超像素层次结构以表示其固有图像结构。图特征金字塔网络继承该超像素层次的结构。我们设计了上下文层和层次层，以在同一尺度内和不同尺度间实现特征交互。为使这些层更强大，我们通过将卷积神经网络的全局通道注意力推广，引入了图神经网络的两种局部通道注意力。所提出的图特征金字塔网络可增强来自卷积特征金字塔网络的多尺度特征。我们通过将图特征金字塔网络集成到 Faster R-CNN 算法中，在目标检测任务上对其进行评估。修改后的算法不仅在 MS-COCO 2017 验证集和测试集上以明显优势超越先前最先进的基于特征金字塔的方法，也超越其他流行的检测方法。
引用
@article{arxiv.2108.00580,
title = {GraphFPN: Graph Feature Pyramid Network for Object Detection},
author = {Gangming Zhao and Weifeng Ge and Yizhou Yu},
journal= {arXiv preprint arXiv:2108.00580},
year = {2022}
}
备注
accepted by ICCV 2021, codes are updated at https://github.com/GangmingZhao/GraphFPN-Graph-Feature-Pyramid-Network-for-Object-Detection