FPN特征金字塔网络

    作者提出了特征金字塔网络（FPN）来解决多尺度目标检测的问题，在现有网络基础上进行层之间连接的修改，在基本不增加原有模型计算量的情况下提升了小物体检测的性能。

图1 各种解决方法对比

如图1所示，（a）表示利用图像金字塔，每种尺度的图都独立地计算特征来构成特征金字塔，速度是很慢的。（b）表示近期检测系统都在采用的为了更快地检测而使用的单尺度特征检测。（c）表示的方法是重用卷积计算得到的金字塔特征结构，就好像它是一个特征化的图像金字塔。（d）表示作者提出的FPN网络，它跟b，c一样快，但是会更加精确。

      本文作者关注于RPN网络及Fast R-CNN结构。首先输入是一个任意大小的图像，在不同层级上输出固定大小的特征图，这个过程独立于整个卷积框架的主干。FPN的主要过程分为两个部分，Bottom-up Pathway及Top-downPathway and Lateral Connections。

第一个部分为Bottom-up Pathway，也就是自下而上，如图2的左半部分，这是一个前向传播的卷积神经网络主干部分，它计算出一个特征层次结构，缩放步长为2。这之中可能会有相邻的几层输出相同尺度的特征图，于是我们将这几层放在一个stage上，我们将每一个stage中最后一层的输出（也就是最终输出）作为金字塔的一部分，因为此层应该提取出的特征最明显。特别的，作者采用了R