[CV中的特征金字塔]特征金字塔网络
上图使用单一特征图进行检测。这个结构在17的时候被很多人用过，比如YOLOv1，YOLOv2和更快的R-CNN。直接使用这种架构导致预测层特征尺度单一，对小目标检测效果差。ps: YOLOv2中采用多尺度训练，可以在一定程度上缓解尺度单一的问题，使模型适应更多的输入尺度。
上图在不同大小的特征图上做预测，有多尺度预测的能力，但是特征之间没有融合。遵循这种架构的经典目标检测架构是SSD，SSD使用大量的尺度进行检测。
还有非常经典的FPN建筑。FPN可以很容易地应用于两级网络，如更快的R-CNN或一级网络YOLO和SSD。通过构造独特的特征金字塔，FPN可以避免图像金字塔中的高计算量问题，同时可以更好地处理目标检测中的多尺度变化，效果可以达到当时的STOA。SSD DSSD的一个改进版本是使用FPN，取得了比SSD更好的效果。
以下是对FPN的详细描述:
为便于解释，作出如下规定:
假设当前层是第三层，需要与的特征融合，那么通过卷积约束通道数和层数以达到一致性；通过2次上采样获得的特征图的大小之和是一致的，并且最终通过对结果进行上采样并执行元素相加来获得结果。
那么为什么融合后的FPN效果比金字塔特征层次的效果好呢？有几个原因:
黑框是理论感受野，中心高斯分布的高亮是实际感受野。FPN自上而下的道路通过融合不同感受野，融合两个高斯分布的实用感受野，使高层加强与低层对应的感受野。(ps:这部分是作者的理解。如有不同意见，欢迎讨论交流。)
关于感受野的想法，FPN论文有一张图，和之前发表的文章很像，如下图:
这张图片显示了FPN在深度掩模中的应用，例如分割，其中使用了5×5多层感知器来生成14×14的分割结果。对应的浅橙色区域代表原图像对应的区域(类似于理论感受野)，深橙色区域对应于典型的目标区域(类似于实际感受野)。通过观察这幅图像，我们可以得到几个结论:
许多解释FPN网络的作者忽略了这一点。如果你对这一部分感兴趣，你可以在FPN的附录中找到详细的解释。
烧蚀实验
以上是FPN各地的专有名称。作者详细比较了自顶向下路径和横向连接带来的收益。
从上表中的实验可以得出几个结论:
本文在RPN网络和DeepMask结构中加入FPN进行了多次实验，都取得了很好的效果。FPN的确是一种较好的特征融合方法。之后不断提出了很多不同架构的网络，带来了一定的改善。
摘要
本来这篇文章想写完FPN建筑系列，但是太长了，所以列为小编，献给FPN的设计。
之前和一群朋友聊过FPN的设计。当时，我受到generate的启发，产生了以下想法:
事实上，读论文多的读者可能会想到ASFF、BiFPN、BiSeNet、迅雷网等。，这些都是解决这个问题比较好的方法。之后，我会继续解读FPN在这些网络中的设计，欢迎大家交流想法。
特征融合方法综述
/@ Jonathan hui/understanding-feature-pyramid-networks-for-object-detection-fpn-45b 227 b 9106 c
/question/306213462
https://arxiv.org/abs/1612.03144