最近想自己對FPN結構進行一些改進，讀了不少有關FPN的論文，有些論文開源了，但是有些最新的論文沒有開源，后面打算把最近復現的論文都總結一下，發個論文復現系列的文章。
有些論文具體實現細節沒有說清楚，所以我是按照自己的理解來復現的，如果有不同的方法歡迎在評論區討論。

CEFPN論文鏈接：https://arxiv.org/abs/2103.10643
CEFPN復現代碼：https://github.com/RooKichenn/CEFPN

文章目錄

• 一、CEFPN結構
• • 1.SSF模塊
  • 2.SCE模塊
  • 3.CAG模塊
  • 4.使用線性插值和maxpool得到特征圖I
• 二、訓練策略
• 三、復現代碼

一、CEFPN結構

話不多說，先上圖：

CEFPN中用了不少前輩們的思想，整體框架借鑒了LibraRCNN（https://arxiv.org/abs/1904.02701v1），我認為最大創新就是CEFPN的網絡結構，其他模塊都是借鑒前輩們的思想，沒什么特別大的創新，但是提供了一個改進的思路：去掉F5和P5層，融合P4，P3，P2。下面就具體分析一下CEFPN的結構。

1.SSF模塊

SSF（Sub-pixel Skip Fusion）是借鑒了CVPR2016年一篇關于超分辨率圖像論文中提出的亞像素卷積思想，具體是實現細節我在這里就不贅述了，對這篇論文不了解的話可以先去讀一下：https://arxiv.org/abs/1609.05158，在CEFPN中，作者采用了殘差融合亞像素卷積的方法對C5和C4進行上采樣到C4和C3大小，而沒有采用傳統的線性插值來進行上采樣，同時將C4和C3進行1x1的卷積操作，并將這個結果跟亞像素卷積后的進行特征融合，就得到了F4和F3。

2.SCE模塊

SCE（Sub-pixel Context Enhancement），這個模塊的思想也比較簡單：將Input Feature分別進行三種處理，最后得到一個通道數為原來的1/8，長寬為原來的2倍的特征圖。在論文中，將Input Feature的維度描述為 2h x 2w x 8C，我認為這樣描述的原因是第二個分支中，涉及到了長寬減半的操作，也正是在這里，有一個小問題：當Input Feature長寬為 25x25 時，在長寬減半后，長寬為13x13,作者進行了四倍的上采樣，得到的特征圖為52x52，與第一個分支得到的特征圖50x50大小不匹配，而文中作者并沒有提到這種情況，所以我在第二個分支輸出特征圖前又加了一個線性插值的操作，將其縮放到和第一個分支輸出的特征圖相同大小（如果有復現過的小伙伴可以在評論區說一下你的解決方法，我復現出來的效果并沒有作者說的好）。經過SCE模塊后得到的特征圖和P4,P3,P2進行特征融合，得到特征圖I。

3.CAG模塊

CAG

CAM

CAG（Channel Attention Guided）模塊借鑒了CBAM中通道注意力機制的思想，與CAM不同的是，在CAG中去掉了一個參數共享的全鏈接層，直接進行了特征融合。

4.使用線性插值和maxpool得到特征圖I

在得到特征圖I的這個部分，跟LibraRCNN中FPN特征特征融合是一模一樣的，不了解的可以去細看LibraRCNN論文，在這里就簡單說一下作者是怎么做的：將經過SCE模塊得到的P5，以及P4，P3，P2進行線性插值和maxpool操作，得到特征圖I（I的size跟P4是一樣的），再除以4（I = I / 4），這里的4代表融合了幾個特征層；之后再經過CAG模塊得到一個權重α，再通過線性插值和maxpool得到R5, R4, R3, R2，最后將Ri(i=2,3,4,5)乘以權重α，就得到了最后的預測特征圖。

二、訓練策略

以ResNet50為例，作者再COCO數據集上訓練了12輪，使用了4塊16G顯存的GPU，每塊GPU上2張圖片，初始學習率為0.01，并且在第8輪和第11輪下降0.1倍。這里說一下我復現的結果，我只跑了ResNet50，用學校的服務器，四塊40G的A100，跟作者參數設置相同，但是map比作者低了接近兩個百分點。

三、復現代碼

代碼已同步到GitHub，歡迎star：https://github.com/RooKichenn/CEFPN

總結

以上是生活随笔為你收集整理的论文复现——CE-FPN: Enhancing Channel Information for Object Detection的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。