在功能金字塔网络(paper)中,获取任何CNN的最后一层(例如ResNet-101),并针对P5,P4和P3用2,4和6上采样。为了允许细粒度的特征图,将来自ResNet-101中先前各层的横向连接连接在一起。

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具有更大的接受域,分类子网是分别为每个金字塔层接受最大的接受域还是接受域?

machine-learning - 特征金字塔网络接受场-LMLPHP

最佳答案

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。

关于machine-learning - 特征金字塔网络接受场,我们在Stack Overflow上找到一个类似的问题:https://stackoverflow.com/questions/51786949/

10-12 19:39