mAPm: 增强目标尺度变化的多尺度注意力金字塔模块在 RLD 检测中的应用
内容提要
该文综述多种特征金字塔网络改进，包括AugFPN、MLFPN、S²-FPN、FaPN、A²-FPN、FPN、MSSDMPA-Net、图形FPN、放大缩小网络及AFPN，这些方法分别提升目标检测、语义分割与实例分割精度，并在COCO等基准取得领先结果。
延伸解读
特征金字塔的演进脉络
文章梳理了从FPN到AFPN等多种特征金字塔网络的改进思路。FPN作为基础，利用深度卷积网络的多尺度特征，在COCO上取得领先并达到5 FPS。后续工作如AugFPN、MLFPN、S²-FPN、FaPN、A²-FPN等，分别从增强特征、多级融合、轻量化、特征对齐和注意力聚合等角度提升性能，反映了该领域持续优化的趋势。
不同方法的适用场景
这些改进方法针对不同任务：AugFPN、MLFPN、图形FPN和AFPN主要提升目标检测精度；S²-FPN专注于实时语义分割；FaPN和A²-FPN在实例分割和密集预测任务中表现突出；MSSDMPA-Net则用于卫星图像中的建筑物和道路提取。读者可根据任务需求选择合适架构。
性能提升的量化参考
文章提供了部分方法的性能数据：MLFPN在MS-COCO上单尺度推理AP 41.0，多尺度AP 44.2；FaPN在四个密集预测任务上比FPN提升1.2-2.6 AP/mIoU，在ADE20K上mIoU达56.7%；A²-FPN在Mask R-CNN中掩膜AP提升2.1%和1.6%。这些数据可作为评估改进效果的参考。
Q&A
AugFPN 是什么？它有什么作用？
AugFPN 是一种新的特征金字塔架构，用于解决现有特征金字塔在物体检测中的问题。它成功应用于 Faster R-CNN、RetinaNet 和 FCOS 等模型，显著提高了平均精度 AP。
MLFPN 在目标检测中取得了什么成果？
MLFPN（多级特征金字塔网络）通过融合多级特征构建更有效的特征金字塔，用于检测不同尺度的对象。将其集成到 SSD 中构建的 M2Det 一阶段检测器，在 MS-COCO 基准测试中，单尺度推理达到 AP 41.0，多尺度推理达到 AP 44.2，是一阶段检测器中的新最佳结果。
FaPN 是如何改进特征金字塔的？
FaPN（特征对齐金字塔网络）包含特征对齐模块和特征选择模块，用于上下文对齐上采样的高级特征，以及强调富有空间细节的低级特征。这两个模块集成在自上而下的金字塔结构中，在四个密集预测任务和四个数据集上比 Faster/Mask R-CNN 配对的 FPN 改进了 1.2-2.6 个 AP/mIoU 点。在 Mask-Former 中融合后，FaPN 在 ADE20K 上实现了 56.7% 的 mIoU。
A²-FPN 在实例分割中有什么优势？
A²-FPN 通过基于注意力聚合机制的特征金字塔网络提升多尺度特征学习能力。在使用 ResNet-50 和 ResNet-101 作为骨干网的 Mask R-CNN 中，相比 FPN 分别增加了 2.1% 和 1.6% 的掩膜 AP。在 Cascade Mask R-CNN 和 Hybrid Task Cascade 等强基线中，掩膜 AP 分别提高了 2.0% 和 1.4%。
FPN 的基本原理和实际应用效果如何？
FPN（Feature Pyramid Network）基于深度卷积网络，利用其自带的金字塔多尺度特征，在多种应用中取得重大改进，尤其是在目标检测上。使用 FPN 的 Faster R-CNN 系统在 COCO 检测基准测试中取得了最先进的单模型结果，并能在 GPU 上以 5 FPS 的速度运行，是一种实用且准确的多尺度目标检测解决方案。
AFPN 与其他特征金字塔网络相比有什么特点？
AFPN（渐近特征金字塔网络）通过渐进地将更高层次的特征融入到融合过程中，实现了不相邻层次的直接交互，并采用自适应空间融合操作来缓解可能出现的多目标信息冲突。实验评估表明，AFPN 比其他最先进的特征金字塔网络具有更具竞争力的结果。
