SFFAI 104 目标检测专题（本周日直播）
特征金字塔（Feature Pyramid Networks, FPN）是一种利用常规CNN模型来高效提取图片中各维度特征的方法，可以用于解决识别尺寸差异很大的物体的问题。它对每一种尺度的图像进行特征提取，能够产生多尺度的特征表示，并且所有等级的特征图都具有较强的语义信息，甚至包括一些高分辨率的特征图。本期我们邀请到了来自旷视的杨同，详细阐释为何FPN能够成功。
讲者介绍
杨同，北京旷视科技有限公司basemodel组研究员，主要研究方向为通用物体检测，目前在 NeurIPS、CVPR、AAAI等会议上发表论文6篇。
报告题目
You Only Look One-level Feature
会议摘要
目前，FPN是通用物体检测的一个重要组件，有效提升了物体检测的性能。但是，现有工作都是基于两阶段方法中对FPN的理解，认为FPN的主要作用是不同层级的特征融合。而对于单阶段检测方法中，却很少有工作深入分析FPN成功的原因。本文从优化角度对FPN进行了分解，指出分治思想是FPN在单阶段检测中成功的至关重要的因素。然而，在单阶段检测中，FPN带来的在多层级特征上检测的范式，大大增大了模型的计算量与减慢了模型推理速度。考虑到FPN带来的副作用，我们提出一种不同于原先多层级特征检测的方法: YOLOF，该方法采用基于单个层级特征(C5)的检测模式。它包括两个模块: 多尺度编码器(Dilated Encoder)和一致性匹配策略(Uniform Matching)。该模型在COCO数据集上的性能可以达到基于FPN的检测模型并且推理速度更快。与DETR相比，YOLOF可以在1/7的训练轮数下达到差不多一致的性能。除此之外，相对YOLOv4，YOLOF(60FPS)可以达到44.3 mAP，在精度和速度上超过YOLOv4。
会议亮点
1、不同于FPN现有认知: 多层级特征融合是FPN的关键，本文指出FPN中的分治思想是单阶段检测模型成功的因素；
2、本文提出了一种基于单个层级特征(C5) 的单阶段检测模型。该模型可以达到基于FPN的检测模型的性能但是推理速度更快；
3、本文为通用物体检测提供了一个新方向: 如何充分挖掘单个层级特征的表示能力。
直播时间
2021年4月25日（周日）20:00—21:00 线上直播
关注微信公众号：人工智能前沿讲习，对话框回复“SFFAI104”，获取入群二维码
注：直播地址会分享在交流群内
现代科学技术高度社会化，在科学理论与技术方法上更加趋向综合与统一，为了满足人工智能不同领域研究者相互交流、彼此启发的需求，我们发起了SFFAI这个公益活动。SFFAI每周举行一期线下活动，邀请一线科研人员分享、讨论人工智能各个领域的前沿思想和最新成果，使专注于各个细分领域的研究者开拓视野、触类旁通。
SFFAI目前主要关注机器学习、计算机视觉、自然语言处理等各个人工智能垂直领域及交叉领域的前沿进展，将对线下讨论的内容进行线上传播，使后来者少踩坑，也为讲者塑造个人影响力。SFFAI还在构建人工智能领域的知识森林—AI Knowledge Forest，通过汇总各位参与者贡献的领域知识，沉淀线下分享的前沿精华，使AI Knowledge Tree枝繁叶茂，为人工智能社区做出贡献，欢迎大家关注SFFAI论坛：https://bbs.sffai.com。
