论文标题：GraphFPN: Graph Feature Pyramid Network for Object Detection

论文标题：https://arxiv.org/abs/2108.00580

作者单位：复旦大学 & 香港大学

本文提出了图特征金字塔网络：GraphFPN，其能够使其拓扑结构适应不同的内在图像结构，并支持跨所有尺度的同步特征交互，与Faster R-CNN+FPN搭配！性能优于Sparse R-CNN等网络。

特征金字塔在需要多尺度特征的图像理解任务中已被证明是强大的。多尺度特征学习的最新方法侧重于使用具有固定拓扑结构的神经网络跨空间和尺度执行特征交互。在本文中，我们提出了图特征金字塔网络，该网络能够使其拓扑结构适应不同的内在图像结构，并支持跨所有尺度的同步特征交互。我们首先为每个输入图像定义一个特定于图像的超像素层次结构来表示其固有的图像结构。图特征金字塔网络从这个超像素层次结构继承了它的结构。上下文层和层次层旨在实现相同尺度内和不同尺度之间的特征交互。为了使这些层更强大，我们通过概括卷积神经网络的全局通道注意力，为图神经网络引入了两种类型的局部通道注意力。提出的图特征金字塔网络可以增强卷积特征金字塔网络的多尺度特征。我们通过将其集成到 Faster R-CNN 算法中来评估我们在目标检测任务中的图特征金字塔网络。修改后的算法不仅在 MS-COCO 2017 验证和测试数据集上以明显的优势优于先前最先进的基于特征金字塔的方法，而且还优于其他流行的检测方法。

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