特征金字塔网络接受场

时间:2018-08-10 12:50:46

标签: machine-learning computer-vision conv-neural-network convolution

在功能金字塔网络(paper)中,获取任何CNN的最后一层(例如ResNet-101),并对P5,P4和P3进行2,4和6上采样。为了允许细粒度的特征图,将来自ResNet-101先前各层的横向连接连接起来。

在RetinaNet(paper)中,还有2个金字塔层,即P6,它是通过在最后一个转化上应用3x3滤镜来构造的。通过在P6上应用3x3滤镜(步距均为2)在ResNet-101和P7中添加层。

所有要素金字塔层都通过1个分类子网和1个边界框子网传播,它们共享所有要素金字塔的权重。

由于P6和P7具有更大的接收场,分类子网是分别占据每个金字塔层的最大接收场还是最大接收场?

RetinaNet

1 个答案:

答案 0 :(得分:1)

我会单独说。要素金字塔的重点是在每个比例尺上使用要素。