本文复现的是是发表在ICCV 2017的工作《Learning Feature Pyramids for Human Pose Estimation》，论文提出了一个新的特征金字塔模块，在卷积网络中学习特征金字塔，并修正了现有的网络参数初始化方法，在人体姿态估计和图像分类中都取得了很好的效果。

提出了一种基于改进特征金字塔的Mask R-CNN目标检测方法。实验结果表明，在目标边缘和包围盒两项检测中，相比于Mask R-CNN检测框架，所提方法在不同的交并比阈值下的平均准确率分别提高了约2.4%和3.8%。尤其对于中等尺寸目标的检测准确率有较大的提高，分别为7.7%和8.5%，具有较强的稳健性。

NAS-FPN：用于对象检测的学习可扩展特征金字塔结构

通过学习功能金字塔来培训ImageNet和PASCAL VOC2012 该代码由提供（也提供了）。 中山大学（SYSU） 目录 介绍 该存储库通过学习功能金字塔（LFP）包含和上的培训和测试代码。 LFP最初用于人体姿势机器，在论文“学习用于人体姿势估计的特征金字塔”（ ）中进行了描述。 我们将其扩展到语义图像分割。 结果 细分可视化： （a）输入图像； （二）细分结果。 （a）图像和事实真相； （b）学习特征金字塔的三图； （c）原始ResNet的三图。 在PASCAL VOC2011细分排行榜上，它达到了81.0％的mIoU，比其基准DeepLabV2（79.6％）有了显着提高。 影像网 训练脚本： cd pyramid/ImageNet/ python imagenet-resnet.py --gpu 0,1,2,3,4,5,6,7 --data_form

用于目标检测的注意力导向上下文特征金字塔网络 该存储库在的基础上重新实现 。 请按照上的说明安装和使用此存储库。 此仓库发布了不带AM模块的，但与纸上pytorch的实现相比，我们可以获得更高的性能。 同样，由于有检测器的强大功能，此回购协议在训练和推理中速度更快。 CEM的实现非常简单，少于200行代码，但是它可以将FPN（resnet50）中的AP性能提高近3％ 。 交流FPN AC-FPN可以轻松插入现有的基于FPN的模型中并提高性能。 物体检测的可视化。 两种型号均基于基于COCO minival的ResNet-50。 使用（w）和不使用（w / o）我们的基于ResNet-50的模块在Mask CO-minival上进行Mask R-CNN的结果。 更多细节。 标杆管理 由于建议的体系结构，我们在大多数基于FPN的方法（尤其是大型对象）上均具有更好的性能。

用于目标检测的特征金字塔网络 注意 基于FPN的。 支持多GPU培训！ 抽象 这是的的张量流重新实现。 该项目基于 ，由和完成。 对VOC 2007进行培训，对VOC 2007进行测试（PS。该项目还支持可可培训。） 比较方式 use_voc2007_metric 楷模 地图 羊 马 自行车 瓶子 牛 沙发 总线 狗 猫 人 培养 餐桌 飞机 汽车 盆栽 电视监视器 椅子 鸟 船 摩托车 resnet50_v1 73.09 72.11 85.63 77.74 55.82 81.19 67.34 82.44 85.66 87.34 77.49 79.13 62.6

整理的DPM模型的参数详解及其对其中特征金字塔计算的理解，希望能帮助到大家

在特征金字塔网络(FPN)的Pytorch实现