yolov4里面的特征融合不是用add而是concat

resnet，fpn这些网络结构，特征融合用的是add操作，而在一些目标检测网络和语义分割网络中，特征的融合往往是用concat，为什么不用add呢？

查了一些资料，我的理解是，add用于特征信息的叠加，通道数不变，这对于单张图片分类是有好处的，比如一张13*13的小图有眼睛的特征，26*26的特征图有脸的信息，你一add，就能更好的说明这个是人脸。也就是说add是基于你默认对应通道的特征图语义类似（非常关键），从而对应的特征图可以共享一个卷积核。

但是在目标检测和语义分割网络中，一张图百分之九十九是有多个目标的，需要分类出来，那么直接语义叠加显然不合适。比如如果一张小特征图有猫的眼睛，一张大特征图有狗的尾巴，你直接叠加，是不是反而不利于分类了？所以，因为这个时候不能认为对应通道的特征图语义类似，所以接下来不能共享卷积核。因此他们用的是concat，增加特征图的数量（基于通道数叠加）。