yolov5 FPN 与 PAN的结构与作用

在卷积神经网络过程中，网络层数越深，目标的特征信息就越强，模型对目标的预测就更好，但同时也会使得目标的位置信息越来越弱，并且在不断的卷积过程中，对小目标的信息容易造成损失，因此，需要进行不同尺度的预测。YOLOv5 采用 FPN 和 PAN的结构对特征进行多尺度融合。

下图为通过 FPN 和 PAN 对图像进行多尺度特征融合，其中上层特征图因为网络层数更深，包含的橙子语义信息也就更强，而下层特征因为经过的卷积层数较少，橙子的位置信息损失就更少，FPN 结构通过自顶向下进行上采样，使得底层特征图包含更强的图像强语义信息；PAN 结构自底向上进行下采样，使顶层特征包含图像位置信息，两个特征最后进行融合，使不同尺寸的特征图都包含图像语义信息和图像特征信息，保证了对不同尺寸的图片的准确预测。