第一,提出自底向上扩充路径(bottom-up path augmentation),缩短了信息path,使低层中的精确定位信息强化特征金字塔。第二,提出自适应特征池(adaptive feature pooling),用于恢复每个proposal和所有特征层的信息path。最后,使用带有全连接层的mask做预测,来捕获每个proposal的不同方面,与原来FCN具有互补性。 图1:PAN网络...
PANet是一个加强版的FPN,它通过融合自底向上和自顶向下两条路径的方式增强了骨干网络的表征能力。 自适应特征池化使模型自己选择在预测不同物体时选择不同的Feature Map,避免了目标尺寸和网络深度的单独匹配。 其他特殊 YOLO V4中的PAN模块,在特征融合的处理上和PAN有所不同,PAN是将两种特征进行相加,而YOLO V4中...