&Title
IEEE ICTAI2019
&Summary
FPN可以通过增强浅层特征来改善小对象检测，但是对于大目标的检测性能不够好。目前主流的解决办法有两种，但都有各自的问题。于是作者提出了TFPN（双特征金字塔网络）结构，在保持FPN在小物体检测中的优势的同时，可以大大提高大中型物体的检测精度。
contributions：
-
我们提出了TFPN，一种新颖的双特征金字塔，用于对象检测的网络框架，包括三个关键的创新：
- 我们提出了FPN +，一种功能增强模块，有效地将浅层信息融合到深层特征中，以改善对大型物体的检测。
- 我们提出了TPS，一种双金字塔结构，该结构利用第二金字塔结构来改进对中等物体的检测。
- 我们有效地将这两种提议的技术集成到一个整体框架中，以同时提高对小，中，大物体的检测性能。
-
我们已经实现了建议的TFPN框架，并使用MSCOCO 和BDD100K 数据集进行了广泛的实验。 我们的结果表明，基于ResNet-50，TFPN可以显着提高Faster RCNN的检测性能，总体上可以达到2.2的改进，对于大型物体可以达到3.2的改进。
&Research Objective
通过更深的特征增强来改善大中型物体检测
&Problem Statement
FPN（特征金字塔网络）是最流行的对象检测网络之一，它可以通过增强浅层特征来改善小对象检测。
但是，关于通过更深的特征增强来改善大中型物体检测的研究有限。
- 一种现有方法将不同层的特征图合并为用于对象检测的新特征图，但是由于上采样和下采样可能导致噪声增加和信息丢失。
- 另一种方法是在FPN的特征金字塔之后添加一个自下而上的结构，该结构将来自浅层的信息叠加到深层的特征图中，但会削弱FPN在检测小物体时的强度。
&Method(s)
从上图可以看出，其实就是多个金字塔的组合，各个金字塔的具体操作，可以看原文。个人觉得没啥亮点，毕竟已经出现了基于FPN结构的多种变体，这种算是简单的不能再简单的结构了。（类似的结构：BiFPN、PANet）
上图是S Pyramid结构中的两种金字塔类型，一个自底向上（），一个自顶向下。（我不是很明白这么简单的结构，作者也拿出来解释了一大堆文字？？）
上图就是EM模块，其实就是一个自底向上的金字塔结构，底层和C’2的特征图进行融合，类似于残差学习。
ok，整体结构很好理解，也很简单，也没有什么奇怪的操作，但问题就是他的精度居然还很高？？？？
&Evaluation
&Thinks
- TFPN的结构可以理解为，FPN + FPN + PANet。结构里利用到C’2的特征图进行融合，是一种残差学习。按理说，这样对底层进行残差学习，小目标精度应该会提高不少，但好像并没有高很多耶。
- 精度居然出奇的高了2.2个点，让我做了好几个月的特征融合的研究有点自愧不如啊，我记得我之前也有在FPN的基础上反复加金字塔的，但好像跟FPN的结果并没有差多少。表中的结果从36.3 -----> 37.5，大幅提高。有空要做做验证一下。
- 文章提到了PANet，为啥没有和PANet的对比实验呢？而且文章说，PANet弱化了FPN的小目标检测性能，但PANet在小目标精度比FPN高啊。
- 文章仅在neck这一块进行提高，创新点按理说才一个点，也不算是很fasion的点，居然发在了IEEE的ICTAI上？？？？建议反复研读文章，学习学习。