簡單說兩句

Feature pyramids已經被各種目標檢測器使用，不管是one-stage還是two-stage類型。淺層的feature map有利于檢測小目標，深層的feature map有利于檢測大目標，所以SSD采用了特征金字塔網絡，檢測結果要優于YOLOv1。但只是簡單地利用從backbone抽出來的Feature maps有很多的局限性，因為這些網絡是為了圖像分類而設計，而不是檢測任務。
總體來說，高階特征包含更多的語義信息，對分類子任務的判別能力更強，低階特征包含更多位置信息，對回歸任務的判別能力更強。除此之外，低階特征更適合表征外觀簡單的物體，高階特征更適合表征外觀復雜的物體。在實際中，小物體的復雜程度可能相差甚遠，比如一個交通指示燈和一個離的很遠的人，在圖像中都是小物體，但是人的復雜程度要高很多。
基于以上理解，作者在SSD的基礎上進行改進，設計了M2Det，一個mutil-level，mutil-scale檢測網絡，mutil-scale解決目標物體大小不一的問題，mutil-level解決物體不同復雜度的問題。

網絡結構

由上圖可見：
主體框架是MLFPN，首先從backbone中抽取2層feature map，通過FFM1方法融合后作為主框架MLFPN的base feature，feed給TUM和FFMv2。然后，每一個TUM會生成大小不一的feature maps，通過SSAM方法將每一組feature maps按照大小分別融合，形成mutil-level、mutil-scale的feature pyramids。和SSD一樣，最后會在每一種尺寸的feature map后面加兩個卷積層來預測位置信息和類別，最后使用NMS算法得到最終的結果。
值得注意的是，每一個TUM的輸出使用FFMv2方法和base feature融合，作為第二個TUM的輸入。所以第一個TUM只吸收了淺層特征base feature，后面的TUMs會同時吸收淺層base feature和較深層特征信息（前一個TUM的輸出），從第一個（圖中最上面的）TUM到最后一個，由淺至深，這是mutil-level的由來。

下面介紹上面提到的幾種方法：

FFM1：
將20201024的feature map通過11卷積降低通道數，然后上采樣得到40 * 40 * 512的feature map；將40 * 40 * 512的feature map通過1 * 1卷積將通道數降為256，然后將兩者進行concate（上圖(a)），concate后，通道數為512+256=768。
FFMv2：
將40 * 40 * 768的base feature降低通道數為128，然后和前一個TUM輸出的feature maps中尺寸最大的（40 * 40）feature mapconcate（上圖(b)）。
TUM：
如上圖?所示，encoder（編碼器）由5個卷積核為3 * 3，stride為22的卷積操作組成，每一次卷積后feature map的尺寸會縮小為原來的1/2，decoder（解碼器）的每一個輸出都吸收了encoder的每一個卷積層輸出。從圖中第二排操作可以看出，藍色的+號是將前一個卷積結果上采樣后和上層編碼結果進行ele-wise sum操作。解碼器中添加1*1卷積層是為了增強學習能力和保持平滑。最后TUM會輸出6種scale的feature maps，所以是mutil-scale。
SFAM：
SFAM是為了將TUMs產生的mutil-level mutil-scale的features集合為feature pyrimid。
如下圖，分2步操作：
1、將相同scale的features結合（concate），因此每一種scale的features來自不同的level。
2、加入channel-wise attention機制，讓features聚焦于對它們最有用的通道上。

網絡設置

作者使用了兩種backbone進行實驗：VGG16和ResNet。
默認參數有：8個TUM、每個TUM包含5個striding-conv和5次上采樣，輸出6中scale的features。
圖像輸入尺寸有320、512和800。
檢測階段，對6種scale的features，分別添加2個卷積層來分別獲得回歸和分類。
對于每一個feature map cell，使用3種長寬比，共6個anchors。

結果對比

M2Det與之前網絡相比，成為了新的state-of-the-art，見下圖：

總結

強大高效的M2Det的主要貢獻的MLFPN，其設計加入mutil-level的思想，使得不同尺寸的目標檢測更加高效。

總結

以上是生活随笔為你收集整理的目标检测M2Det论文总结的全部內容，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。