四世同堂英语
yes i am论⽂解读之FeaturePyramidNetworksforObjectDetection
论⽂名称：Feature Pyramid Networks for Object Detection
gre报名费
这是⼀篇CVPR2017的⽂章，提出⼀种新型的特征⾦字塔⽹络，作者是何开明等⼈
⾸先，⽂章介绍了特征⾦字塔，特征⾦字塔是图像识别领域的⼀个基础元素，何为特征⾦字塔？如下图所⽰：聚餐英文
guest是什么意思上图就是⼀个传统的图像⾦字塔，针对⼀个输⼊图像，resize成多个scale，针对每个scale，都输⼊⽹络训练，预测，这样，⽹络能够针对不同的scale的图像进⾏预测，但是问题很明显，也很严重，就是计算开销太⼤
于是，作者要探索⼀种新型的特征⾦字塔来解决这个问题
关于特征⾦字塔，作者举例了传统的3类和⾃⼰提出的⾦字塔，如下图所⽰
其中，图a已经在上⾯介绍，图b就是只⽤⼀个单⼀scale的图像进⾏训练，预测，抛弃了multi-scale特征，对于图c⽽⾔，与图b类似，但是在⽹络进⾏卷积过程中，图像的size在不断变⼩，在特定阶段进⾏预测。图d就是作者提出的模型，
英文表白句子
虽然图c中的模型可以解决相关的问题，但是抛弃了⾼纬度的特征，例如，在图像的细节预测上，⼀些微⼩的物体只有在⾼层次的卷积层才可以识别，在低维的卷积层是⽆法识别的，那么对图c的模型⽽⾔，很显然，在低层次的预测结果是很差的，因为此时没有考虑⾼维的图像特征，但是图d的模型解决了这个问题，将⾼维特征进⾏逐步下采样，与相应卷积层的特征图相加即可。既能结合⾼维的特征，⼜能在较⼩的计算开销下产⽣multi-scale的输出。
有些模型与作者提出的模型类似，如下图所⽰
上图中有两个模型，分别称为top和bottom，其中，bottom是作者提出的模型，相对于作者提出的模型⽽⾔，top模型只在最后进⾏预测，但是bottom模型能够产⽣所有level的输出。
那么具体要怎么做呢？如下图所⽰
怎样快速学英语如上图所⽰，训练分两个过程，左边是bottom-to-up，右边是up-to-bottom
⾸先是bottom-to-up，逐步卷积，完成卷积后，就是up-to-bottom
efg
具体的操作，我做了⼀个图，如下图所⽰
⾸先，输⼊经过layer1,layer2,layer3的3个卷积层，随后，开始预测输出
layer3的输出⽤1X1的卷积核反卷积，即为top-layer1的输出；
top-layer1的输出⽤3X3的卷积核反卷积，实现2X上采样，同时layer2的输出进⾏通道压缩，⽤1X1的卷积核压缩为1通道后反卷积（此时的反卷积不需要上采样），将layer2操作的结果与top-layer1操作的结果相加，即为top-layer2的输出；
同理，top-layer2的输出进⾏2X上采样，将layer1的输出通道合并，反卷积，与之相加，即为top-layer3的输出
⾄此，该篇论⽂结束
其实，此类型的⾦字塔在其他⽂章中已经存在，
爱慕者举个例⼦，CVPR2017中，有⼀篇名为SRN: Side-output Residual Network for Object Symmetry Detection in the Wild ----CVPR 2017的论⽂，其中就是逐步下采样。
考研政治真题答案可以看下SRN论⽂中的⼀张图，
这个deep-to-shallow与shallow-to-deep就类似于该篇论⽂中的bottom-to-up与up-tp-bottom
本⼈有⼀篇关于SRN的解读博客，
