【论文笔记】：FPN

&Title

Feature Pyramid Networks for Object Detection

&Summary

文章的思想比较简单，主要是利用特征金字塔对不同层次的特征进行尺度变化后，再进行信息融合，从而可以提取到比较低层的信息，也就是相对顶层特征来说更加详细的信息。顶层特征在不断地卷积池化过程中可能忽略了小物体的一些信息，特征金字塔通过不同层次的特征融合，使得小物体的信息也能够比较完整地反映出来。这个方法可以广泛地应用在针对小目标物体的检测上。

我的理解：本来图片通过卷积池化操作，只能保留住大物体的特征，换句话说，小物体的特征基本上就会被过滤掉。现在通过top-down的操作，对特征图片进行上采样（放大图片（小物体就跟着放大了，也就比较容易检测到），与对应的卷积层的下一层的尺寸相同），然后融合他们的特征，高层特征得到了增强，每一层预测所用的feature map都融合了不同分辨率、不同语义强度的特征，可以完成对应分辨率大小的物体进行检测，保证每一层都有合适的分辨率以及强语义特征。
即：少位置信息而多语义信息的top层feature map + 多位置信息而少语义信息的down层feature map

&Research Objective

特征金字塔是检测不同尺度上目标的识别系统中的基本组件。但最近的深度学习目标检测器避免使用金字塔表示，部分是因为计算量和存储都很大。

作者的目标：目标是很自然的利用ConvNet的特征层次的金字塔形状，同时生成一个在所有层次上都有很强语义的特征金字塔。（就是设计一个算法，使得(计算/存储) 开销合理，而却有效检出小物体。）

&Problem Statement

特征金字塔是检测不同尺度上目标的识别系统中的基本组件。但最近的深度学习目标检测器避免使用金字塔表示，部分是因为计算量和存储都很大。现有的三种 Sca