目标检测FPN(Feature Pyramid Networks)的使用

FPN(Feature Pyramid Networks), 论文：Feature Pyramid Network for Object Detection

使用FPN能给网络带来哪些好处呢？根据原论文的描述，可以知道：
针对目标检测任务:coco AP提升2.3个点，pascalAP提升3.8个点 ,这样的提升还是很明显的

1. 网络结构对比

• 图a，Feature image pyramid(特征图像金字塔结构)，该网络在传统的图像处理中也是非常常见的一个方法，针对需要检测不同尺度的目标。首先，将网络缩放到不同的尺度上，比如图中4个不同尺度，然后针对每个尺度，经过处理异依次进行预测。这里面临一个问题，我们生成多少个不同尺度，就需要重新预测多少次，这样的效率是很低的。
• 图b,Single feature map,这个跟Fast-RCNN流程是一样的，将我们图片通过backbone得到特征图，通过卷积进行一步步特征提取，最后在最终的特征图进行预测。该网络针对小目标情况下，效果并不是很好。
• 图c,Pyramidal feature hierarchy,图c，跟SSD算法比较类似，首先将我们一张图片输入给backbone,在backbone正向传播过程中得到的特征图上，分别进行预测。
• 图d,就是本文要讲到的FPN结构，可以简单和图c进行对比下，我们能够发现图d不是简单的在我们backbone上的不同特征图上进行预测，而是会将不同特征图上的特征进行融合，再融合后的特征图之上再进行预测。根据论文的试验，这样做确实容易提升网络的检测效果。

2. FPN网络

2. 1 FPN网络的原理

不同层特征究竟是如何融合的呢？注意FPN中的不同的特征图的尺寸有一定要求的，比如这里我们按2的整数倍进行选取。比如最底层特征层对应的尺寸是28x28，在它上一层就对应14x14，最上面对应的是7x7的尺寸。在我们特征网络进行缩放时，基本上都是按2的整数倍进行缩放的。

针对上图所示的细节部分，首先针对backbone上的每一层特征图，都会利用1x1的卷积进行处理，这里1x1的卷积层主要目的是调整backbone上不同特征图的channel。因为一般情况下，不同特征图上它的channel是不一样的，一般情况是越来越多的，为了保证不同尺度上的特征图融合，就需要确保在处理后有相同的shape，因此首先通过1x1卷积层来确保特征图的channel是一样的。

然后我们看如何将高层次的特征图与低层次的特征图进行融合的，我们知道上一层的特征图的尺寸，在w,h维度上是下一特征图的一半。因此需要将上面的特征图进行2倍的上采样。比如上图中最上面的特征图尺寸为7x7，经过2倍上采样，就和中间的特征层经过1x1卷积后（保证具有一样的chanel），具有相同的shape。紧接着将中间的特征图经过2倍的上采样，与下面的特征图经1x1卷积后的特征层进行add融合，最后对得到的特征图进一步处理，并预测。注意：是对应像素的add融合，并不是与其他网络一样通过channel维度上的融合。

这里的2倍上采样是如何实现的呢？,论文中讲到是通过nearest neighbor upsampling,就是一个简单的临近插值算法。

2.2 完整的FPN网络结构

2.1节FPN网络的一些细节是没有展现出来的，这边重新绘制了更完整的FPN结构，这里以backbone为ResNet50为例进行绘制。假设输入图像是640x640的RGB 3通道图像，以它作为示例进行绘制的。

说先，我们讲一下backbone中的ResNet网络。

resNet网络的整体框架其实都是一样的，首先都是通过一个con1进行卷积操作，这里的卷积是包含有BN+Relu,然后通过conv2_x它所对应的一系列层结构，以及conv3_x对应的一系列残差结构，以及conv4_x和conv5_x对应的一系列残差结构。

这里为了以便于后面讲解，将conv2_x ,conv3_x,conv4_x,conv5_x分别命名为C2 ~C5。接着将我们刚才说的特征图，分别都通过一个1x1的卷积层，来调整他们的channel为256。然后从C5到C2进行融合，首先对C5得到的特征进行2倍上采样，上采样之后和C4得到的特征层进行Add融合，然后将融合得到的特征图，再进行2倍上采样，与C3得到的特征图进行融合。然后再将C3融合后的特征图再进行2倍上采样，与C2得到的特征图进行融合。

最后在每一层新得到的特征图，在接了一个3x3的卷积层进一步特征图提取，依次得到P2,P3,P4,P5。接着根据论文的描述。会在P5的基础上进行下采样得到P6，假设P5 wxh=20x20,到了P6就变为10x10。这里是通过Maxpool来实现的，这里池化核大小为1x1, 因此maxpool不起任何作用，注意这里步距为2的，所以将我们特征图进行了2倍下采样。

注意：P6只用于RPN部分，针对Faster-RCNN目标检测框架来说，它不在Fast-RCNN部分使用。RPN生成proposal(的时候，会在P2~P6这5个特征图上进行预测。但是针对我们Fast-RCNN部分，它只会在P2~P5这4个特征图上进行预测。

对于Faster-RCNN在backbone预测特征图上通过我们的RPN网络，生成得到一系列的proposal(,然后将proposal(映射到预测特征图上，然后将映射之后的特征输入到Fast -RCNN部分，得到我们最终的预测结果。

针对我们FPN结构中，我们首先在P2~P6预测特征层上通过RPN预测proposal(（这是与不带FPN结构的Faster-RCNN不同），之后我们将得到的特征图映射到P2~P5中的特征图上，然后再输入到Fast-RCNN部分得到最终的预测结果。

注意：Faster-RCNN=RPN+Fast-RCNN 在结构上可以这么表达。
这里有个问题我们得到purpose，最后映射到哪个特征图上呢，这个会在下面文章中进行进一步讲解。

由于我们在FPN网络上生成了多个预测特征层P2-P5，所以可以在不同的特征层上分别针对不同尺度的目标进行预测。之前将Faster-RCNN我们只有一个预测特征层（指的是backbone 生成的预测特征层），因此只在这一个预测特征图上生成不同面积和不同比例的anchor,但是在FPN中，我们不同的预测特征图，针对不同的面积，比如P2相对于较低层的预测特征层，他会保留更多底层的信息，所以它更适合预测小型的目标，我们会将较小的32x32的尺寸上，比例为{1:2,1:1,2:1}的anchor在我们P2上进行生成。针对我们P3我们会将64x64，比例还是{1:2,1:1,2:1}的anchor在P3上生成，同理128x128尺寸的anchor在P4上生成，256x256在P5上生成，这里也是与我们不带FPN结构的Faster-RCNN存在区别的地方之一。

这里强调一点，论文作者在做实验过程中发现在不同的预测特征图上用不同的RPN和Fast-RCNN与共用同一个RPN以及Fast-RCNN，它的效果并没什么差别（检测精度），既然在检测效果上没什么差异，那么共享RPN和Fast-RCNN是最好的，这样可以减少我们网络的训练参数以及网络的大小，而且参数减少后还能提升网络的训练速度，所以在P2-P6使用的是同一个RPN模块。而Fast-RCNN部分我们的P2-P5也是使用同样的Fast-RCNN模块，这里需要大家注意下。

针对RPN得到的一些列purpose之后，该如何将他们映射到对应的特征图上呢？

计算公式如上图，这里的$k$是我们计算的最后映射到哪个预测特征图（P2-P5其中之一）。这里$k_0$设置为4,其中公式中w,h所对应的是我们RPN预测得到的一些列purpose它在原图上所对应的w,h。比如这里w,h为224的一半，那么log里面计算就为0.5，$lo{g}_2$底计算就为-1，所以$k=4-1=3$。

总结

带FPN结构的Faster-RCNN与一般Faster-RCNN的区别：

• 带FPN结构的Faster-RCNN,p2-p6预测特征层通过rpn生成purpose，而一般Faster-RCNN只在一个预测特征层通过RPN生成proposal(backbone对应的特征层)
• 带FPN结构的Faster-RCNN在得到proposal(后，需要映射到在p2-p5中对应的特征图，对应是P2-P5中哪一个特征图，需要根据公式计算选择。
• 另外论文作者在做实验过程中发现在不同的预测特征图上用不同的RPN和Fast-RCNN与共用同一个RPN以及Fast-RCNN，它的效果并没什么差别（检测精度），既然在检测效果上没什么差异，那么共享RPN和Fast-RCNN是最好的