特征金字塔网络现代识别系统中的一种基础网络结构，可有效地用于检测不同尺度的物体。
SSD
是最早使用特征金字塔结构表示多尺度特征信息的方法之一，
FPN
则依赖于自下而上的特征金字塔结构，通过建立自上而下的路径和横向连接从多尺度高级语义特征图中获取特征信息。在此基础上，
PANet
提出了一种额外的自下而上路径，使高级特征图也可以从低级特征图中获得足够的细节信息。
M2Det
通过构建多阶段特征金字塔来提取多阶段和多尺度的特征，实现了跨层级和跨层特征融合。
本文提出了一种名为中心化特征金字塔
Centralized Feature Pyramid (CFP)
的物体检测方法，本文方法基于全局显式的中心特征调节。与现有的方法不同，本文方法不仅关注不同层之间的特征交互，还考虑了同一层内的特征调节，该调节在密集预测任务中被证明是有益的。
**大量的实验结果表明，
CFP
可以在最先进的
YOLOv5
和
YOLOX
目标检测基线上实现一致的性能提升。**
论文的贡献总结如下：
提出了一种空间显式视觉中心方案，包括用于捕获全局长程依赖关系的轻量级
MLP
和用于汇集局部关键区域的可学习视觉中心。
在常用的特征金字塔中提出了一种全局集中调节方案。
CFP
在强大的目标检测基线上取得了一致的
本文转载自: https://blog.csdn.net/m0_51530640/article/details/130524627
版权归原作者 dg68668 所有， 如有侵权，请联系我们删除。
版权归原作者 dg68668 所有， 如有侵权，请联系我们删除。