Resumen

La detección de objetos es una de las tareas fundamentales en visión por computadora. Los algoritmos de detección de objetos a menudo tienen dificultades para detectar objetos con escalas diversas, especialmente aquellos con escalas más pequeñas. Para hacer frente a este problema, Lin et al. propusieron las redes de pirámide de características (FPNs, por sus siglas en inglés), que buscan una pirámide de características con un contenido semántico más alto en cada nivel de escala. El FPN consta de una pirámide ascendente y una pirámide descendente. La pirámide ascendente es inducida por una red neuronal convolucional como sus capas de mapas de características. La pirámide descendente se forma mediante un muestreo ascendente progresivo de un mapa de características altamente semántico pero de baja resolución en la parte superior de la pirámide ascendente. En cada paso de muestreo ascendente, los mapas de características de la pirámide ascendente se fusionan con la pirámide descendente para producir mapas de características altamente semánticos pero de alta res

• Materias:Big Data Segmentación de líneas Tráfico de red Reconocimiento de entidad Esquema de programación
• Subjects:Big Data Line segmentation Network traffic Entity recognition Programming scheme
• Palabras claves:Detección de objetos; Redes de pirámide de características; Redes de pirámide de características adaptables a escala; Red neuronal convolucional; Contenido semántico; Objetos de pequeña escala
• Keywords:Object detection; Feature pyramid networks; Scale adaptive feature pyramid networks; Convolutional neural network; Semantic content; Small-scale objects