关于特征金字塔结构 FPN，终于听明白了它的原理

总结：

浅层网络(下层网络) 感受野小，但是只能感受到纹理等细粒度的特征，在此小目标的特征和大目标特征在此些层 的特征比例分布还算均衡，因此还能被损失函数识别，因此能被识别出来

在高层网络（末端，上层网络），感受野大，能综合更多的语义信息，但是小目标在此些层已经相关的特征了，或者特征数量不足，导致 和大目标 特征信息比例严重失衡，无法被损失函数识别，因此导致

无法更新的模型的权重中去，所以，仅仅用高层网络抽取出来的信息去识别小目标，是不行的。

所以，用FPN结构，综合多层的特征信息，可以有效的识别 中小目标，提高他们的召回率。31：00

 

关于 FPN里的特征融合

https://blog.csdn.net/weixin_29607637/article/details/112578963?utm_medium=distribute.pc_relevant_t0.none-task-blog-2%7Edefault%7EBlogCommendFromMachineLearnPai2%7Edefault-1.control&depth_1-utm_source=distribute.pc_relevant_t0.none-task-blog-2%7Edefault%7EBlogCommendFromMachineLearnPai2%7Edefault-1.control

 

 

以及 高清大图图解

FPN（特征金字塔）图解

 

Q1：不同深度的feature map为什么可以经过upsample后直接相加？

答：作者解释说这个原因在于我们做了end-to-end的training，因为不同层的参数不是固定的，不同层同时给监督做end-to-end training，所以相加训练出来的东西能够更有效地融合浅层和深层的信息。
原文链接：https://blog.csdn.net/weixin_38132153/article/details/107933383