特征金字塔（FPN）的学习过程

1、作者将不改变feature map大小的层归为一个stage

2、图像的混叠现象：“所谓混叠，即高于采样频率一半的高频信号被映射到信号的低频部分，与原有低频信号叠加，对信号的完整性和准确性产生影响”

采样频率必须大于原始信号最高频率的两倍，才能完整地还原原始信号，这就是著名的尼奎斯特定律。

有两种方法可以消除混叠现象：

一是直接提高采样频率，以获得更高的尼奎斯特频率，但是采样频率不能无限提高；

二是在采样频率固定的情况下，可通过低通滤波器消除大于尼奎斯特频率的高频信号，从而消除混叠现象。

学习自：https://www.cnblogs.com/doctorbill/articles/3820088.html

3、亚采样：亚采样层就是使用pooling技术将小邻域内的特征点整合得到新的特征

4、aps,apm,apl：分别表示对小目标，中目标，大目标的平均准确度。

5、FPN算法的“新路历程”：

转载自：（原文：https://blog.csdn.net/WZZ18191171661/article/details/79494534）

识别不同大小的物体是计算机视觉中的一个基本挑战，我们常用的解决方案是构造多尺度金字塔。

如上图a所示&#