FPN（Feature Pyramid Network）是为了解决多尺度目标检测的问题而提出的，它通过Bottom-up pathway、Top-down pathway和lateral connections策略，结合高层语义特征和低层空间信息，构建出高效的目标检测网络。与SSD相比，FPN在小目标检测上表现更好，并在经典结构基础上进行了优化，增强了多尺度特征的提取能力。
一、论文解决的问题
特征金字塔(Feature pyramids)是多尺度目标检测系统中一个基础的组成部分，近几年，考虑到特征金字塔影响模型计算速度、占用内存，大多数深度网络避免使用这个结构，SSD模型提出了一个“内置的”特征金字塔解决了上面问题。但是SSD网络只采用自底向上的路径不够完美，除外，SSD舍弃了高分辨率的底层网络层，对小目标的检测不够理想，作者提出了基于Bottom-up pathway、Top-down pathway and lateral connections策略的Feature Pyramid Network (FPN)结构，用于目标检测，取得了不错的效果。
二、几种经典特征抽取方法对比
图(a)核心的思想是利用image pyramid去构建feature pyramid，通过借助SIFT、HOG等传统特征提取算法对不同尺度的图像提取特征。这种方法被广泛使用过一段时间，比如经典的Deformable Part Model算法(DPM)。
图(b)是CNN的框架，相对于a的方法，CNN对图像的表达能力更强，能够通过卷积层的叠加学习到语义特征，除此之外，还有鲁棒性好等优点。但是遇到多尺度目标检测时，CNN的效果不是很理想，需要使用
最低0.47元/天 解锁文章
2094
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
