featurized image pyramids

前言：

这篇论文主要使用特征金字塔网络来融合多层特征，改进了CNN特征提取。作者也在流行的Fast&Faster R-CNN上进行了实验，在COCO数据集上测试的结果现在排名第一，其中隐含的说明了其在小目标检测上取得了很大的进步。其实整体思想比较简单，但是实验部分非常详细和充分。

摘要：

特征金字塔是多尺度目标检测系统中的一个基本组成部分。近年来深度学习目标检测特意回避金字塔特征表示，因为特征金字塔在计算量和内存上很昂贵。所以作者利用了深度卷积神经网络固有的多尺度、多层级的金字塔结构去构建特征金字塔网络。使用一种自上而下的侧边连接，在所有尺度构建了高级语义特征图，这种结构就叫特征金字塔网络（FPN）。其在特征提取上改进明显，把FPN用在Faster R-CNN上，在COCO数据集上，结果超过了目前所有的单模型（single-model）检测方法，而且在GPU上可以跑到5 FPS。

概述：

多尺度目标检测是计算机视觉领域的一个基础且具挑战性的课题。在图像金字塔基础上构建的特征金字塔（featurized image pyramids ,Figure1（a））是传统解决思路，具有一定意义的尺度不变性。直观上看，这种特性使得模型可以检测大范围尺度的图像。

Featurized image pyramids 主要在人工特征中使用，比如DPM就要用到它产生密集尺度的样本以提升检测水平。目前人工特征式微，深度学习的CNN特征成为主流，CNN特征的鲁棒性很好，刻画能力强。即使如此，仍需要金字塔结构去进一步提升准确性，尤其在多尺度检测上。金字塔结构的优势是其产生的特征每一层都是语义信息加强的，包括高分辨率的低层。

对图像金字塔每一层都处理有很大的局限性，首先运算耗时会增加4倍，训练深度网络的时候太吃显存，几乎没法用，即使用了，也只能在检测的时候。因为这些原因，Fast/Faster R-CNN 都没使用featurized image pyramids 。

图像金字塔并不是多尺度特征表征的唯一方式，CNN计算的时候本身就存在多级特征图（feature map hierarchy），且不同层的特征图尺度就不同，形似金字塔结构（Figure1（b））。结构上虽不错，但是前后层之间由于不同深度（depths）影响，语义信息差距太大，主要是高分辨率的低层特征很难有代表性的检测能力。

SSD方法在借鉴利用featurized image pyramid上很是值得说，为了避免利用太低层的特征，SSD从偏后的conv4_3开始，又往后加了几层，分别抽取每层特征，进行综合利用（Figure1（c））。但是SSD对于高分辨率的底层特征没有再利用，而这些层对于检测小目标很重要。

这篇论文的特征金字塔网络（Figure1（d））做法很简单，如下图所示。把低分辨率、高语义信息的高层特征和高分辨率、低语义信息的低层特征进行自上而下的侧边连接，使得所有尺度下的特征都有丰富的语义信息。这种结构是在CNN网络中完成的，和前文提到的基于图片的金字塔结构不同，而且完全可以替代它。

本文特征金字塔网络自上而下的结构，和某些论文有一定的相似之处，但二者目的不尽不同。作者做了检测和分割实验，COCO数据集的结果超过了现有水平，具体结果参见实验部分。值得说的是，本方法在训练的时间和显存使用上都是可接受的，检测的时间也没增加。

图1. （a）使用图像金字塔建立特征金字塔，每个独立的图像尺度上计算特征，这计算特别缓慢；（b）最近的检测系统已选择只使用单尺度特征，以便更快的检测；（C）另一种是利用金字塔特征层次计算的ConvNet当作一个特征化的图像金字塔；（d）提出的特征金字塔网络（FPN）如（b）和（c），但更准确。在这个图中，特征图由蓝色轮廓和较粗的轮廓表示更高层次的特征。

特征金字塔网络：

论文的目标是利用CNN的金字塔层次结构特性(具有从低到高级的语义)，构建具有高级语义的特征金字塔。得到的特征金字塔网络（FPN）是通用的，但在文中，作者先在RPN网络和Fast R-CNN中使用这一成果，也将其用在instance segmentation proposals 中。

该方法将任意一张图片作为输入，以全卷积的方式在多个层级输出成比例大小的特征图，这是独立于CNN骨干架构（本文为ResNets）的。具体结构如图Figure 2。

图2 Top：一个自上而下的架构与skip连接，其预测是在最好的层；Bottom：模型有一个类似的结构，但利用它作为一个特征金字塔，在各级独立作出预测。

自下而上的路径：

CNN的前馈计算就是自下而上的路径，特征图经过卷积核计算，通常是越变越小的，也有一些特征层的输出和原来大小一样，称为相同网络阶段(same network stage )。对于本文的特征金字塔，作者为每个阶段定义一个金字塔级别，然后选择每个阶段的最后一层的输出作为特征图的参考集。这种选择是很自然的，因为每个阶段的最深层应该具有最强的特征。具体来说，对于Res-Nets，作者使用了每个阶段的最后一个残差结构的特征激活输出。将这些残差模块输出表示为{C2, C3, C4, C5}，对应于conv2，conv3，conv4和conv5的输出，并且注意它们相对于输入图像具有{4, 8, 16, 32}像素的步长。考虑到内存占用，没有将conv1包含在金字塔中。

自上而下的路径和横向连接：

自上而下的路径（the top-down pathway ）是如何去结合低层高分辨率的特征呢？方法就是把更抽象，语义更强的高层特征图进行上采样，然后把该特征横向连接（lateral connections ）至前一层特征，因此高层特征得到加强。值得注意的是，横向连接的两层特征在空间尺寸上要相同。这样做主要是为了利用底层的定位细节信息。

Figure 3显示连接细节。把高层特征做2倍上采样（最邻近上采样法），然后将其和对应的前一层特征结合（前一层要经过1 * 1的卷积核才能用，目的是改变channels，是要和后一层的channels相同），结合方式就是做像素间的加法。重复迭代该过程，直至生成最精细的特征图。迭代开始阶段，作者在C5层后面加了一个1 * 1的卷积核来产生最粗略的特征图，最后作者用3 * 3的卷积核去处理已经融合的特征图（为了消除上采样的混叠效应），以生成最后需要的特征图。{C2, C3, C4, C5}层对应的融合特征层为{P2, P3, P4, P5}，对应的层空间尺寸是相通的。

图3 一个building block，说明横向连接和自上而下的途径，合并的加法

金字塔结构中所有层级共享分类层（回归层），就像featurized image pyramid 中所做的那样。作者固定所有特征图中的维度(通道数，表示为d)。作者在本文中设置d=256，因此所有额外的卷积层(比如P2)具有256通道输出。这些额外层没有用非线性，而非线性会带来一些影响。

实际应用:

本文方法在理论上早CNN中是通用的，作者将其首先应用到了RPN和Fast R-CNN中，应用中尽量做较小幅度的修改。

Faster R-CNN+Resnet-101

FPN如何应用在RPN和Fast R-CNN （合起来就是Faster R-CNN）？首先要明白Faster R-CNN+Resnet-101的结构。

直接理解就是把Faster-RCNN中原有的VGG网络换成ResNet-101，ResNet-101结构如下图：

Faster-RCNN利用conv1到conv4-x的91层为共享卷积层，然后从conv4-x的输出开始分叉，一路经过RPN网络进行区域选择，另一路直接连一个ROI Pooling层，把RPN的结果输入ROI Pooling层，映射成7 * 7的特征。然后所有输出经过conv5-x的计算，这里conv5-x起到原来全连接层（FC）的作用。最后再经分类器和边框回归得到最终结果。整体框架用下图表示：

RPN中的特征金字塔网络

RPN是Faster R-CNN中用于区域选择的子网络，具体原理就不详细解释了，可阅读论文和参考博客：faster-rcnn 之 RPN网络的结构解析。

RPN是在一个13 * 13 * 256的特征图上应用9种不同尺度的anchor，本文另辟蹊径，把特征图弄成多尺度的，然后固定每种特征图对应的anchor尺寸。也就是说，在每一个金字塔层级应用了单尺度的anchor，{P2, P3, P4, P5, P6}分别对应的anchor尺度为{32^2, 64^2, 128^2, 256^2, 512^2 }，当然目标不可能都是正方形，本文仍然使用三种比例{1:2, 1:1, 2:1}，所以金字塔结构中共有15种anchors。

训练中，把重叠率（IoU）高于0.7的作为正样本，低于0.3的作为负样本。特征金字塔网络之间有参数共享，其优秀表现使得所有层级具有相似程度的语义信息。具体性能在实验中评估。