目标检测系列 Mask R-CNN—FPN
mask-rcnn.jpg
其实卷积是和图片无关的
图
FPN(Feature pyramid networks)
Faster R-CNN 使用标准的 Resnet 网络结构作为基础网络，他们喜欢将 backbone ，来对图像进行编码，所谓编码就是提取特征过程，这一次提取大小不同的特征图来解决图像中目标大小不等问题，也就是相当在一系列尺寸不同的图片上进行特征提取和图像识别。
在每一层，特征图的大小减小一半，特征图的数量增加一倍。如图所示，我们从 resnet-50 架构的 4 个特征图中提取了特征(第1层，第2层，第3层，第4层输出)。
为了生成最终的特征图，使用一种称为从上至下路径(top-bottom path)的方法。从最小的特征图开始，然后通过扩维操作 (upscale) 逐步得到更大尺寸的 256 特征图。然后逐个元素地将其添加到上一次迭代的上采样输出中。这样好处是不会丢失信息，不同大小尺寸特征图都会融合之后特征图的信息。
此过程的所有输出都经过 卷积层以创建最终的 4 个特征图（P2，P3，P4，P5。第五个特征图(P6) 是通过对 P5 进行 max pooling 而生成的特征图。注意，在这里我们一定要对尺寸格外小心，上采样操作涉及的最小尺寸特征图是 (w/32，h / 32)。这里需要确保输入张量(tensor)的尺寸可被 32 整除。
这里通过一个例子来说明，假设图片大小为 w = 800 和 h = 1080。将宽和高同时除以 32 w/32 = 25，h/32 = 33.75，得到的特征图的大小为 (25,33)。接下来在上采样时，特征图尺寸将为 (50,66)，应该将其逐元素添加到另一个尺寸为 (50,67) 的特征图中，因为两个 tensor 只有维度保持一致才能进行相加，所以这里因为维度不一致无法相加(合并)而会抛出错误。这雨是我们在使用 FPN 时，输入张量应为 32 的倍数的原因。
