论文标题：CE-FPN: Enhancing Channel Information for Object Detection 论文链接：https://arxiv.org/abs/2103.10643 作者单位：华中科技大学 & 河南大学

提出三大模块：亚像素跳跃融合模块，亚像素上下文增强模块，通道注意力指导模块，可助力基于FPN的检测器涨点！优于AugFPN等同类工作。

特征金字塔网络（FPN）已经成为提取目标检测中多尺度特征的有效框架。然而，当前基于FPN的方法大多遭受通道减少的固有缺陷，这带来了语义信息的丢失。并且其他融合特征图可能会导致严重的混叠效果。在本文中，我们提出了一种新颖的通道增强特征金字塔网络（CE-FPN），该网络具有三个简单而有效的模块来缓解这些问题。具体而言，受亚像素卷积的启发，我们提出了一种亚像素跳跃融合方法，可同时执行通道增强和上采样。代替原始的1x1卷积和线性上采样，它可以减轻由于信道减少而导致的信息丢失。然后，我们提出了一种亚像素上下文增强模块，用于提取更多的特征表示，由于亚像素卷积利用了丰富的信道信息，因此优于其他上下文方法。此外，引入了一个通道注意力指导模块来优化每个级别上的最终集成特征，从而仅在少量计算负担的情况下减轻了混叠效应。我们的实验表明，与MS COCO基准上最先进的基于FPN的检测器相比，CE-FPN具有竞争优势。

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