论文链接: https://arxiv.org/pdf/2302.06052.pdf
代码链接: https://github.com/zhanggang001/CFNet

多尺度特征对于密集预测任务来说是必不可少的，包括目标检测、实例分割和语义分割。现有的SOTA方法通常先通过主干网络提取多尺度特征，然后通过轻量级模块（如 FPN）融合这些特征。然而，我们认为通过这样的范例来融合多尺度特征可能是不够充分，因为与重量级主干网络相比，分配给特征融合的参数是有限的。

为此，我们提出了一种名为级联融合网络（CFNet）的新架构用于提升密集预测性能。除了用于提取初始高分辨率特征的主干和几个模块外，我们还引入了几个级联stage，使得CFNet能够生成更丰富的多尺度特征。每个stage都包括一个用于特征提取的子主干和一个用于特征集成的轻量级的转换模块。这种设计使得可以更深入有效地融合特征与整个主干的大部分参数。 最后，我们在目标检测、实例分割和语义分割等任务中验证了CFNet 的有效性。

CFNet网络架构图

在ImageNet-1K分类任务上与SOTA模型的对比表

 

内容中包含的图片若涉及版权问题，请及时与我们联系删除