FPN网络结构细节

（a）图像金字塔结构

将图片缩放成不同尺度，每个尺度的图片都通过算法进行预测，效率较低

（b）简单特征图

Faster R-CNN采用的方式，对最终的特征图进行预测，小目标预测效果不好

（c）锥体特征层次

SSD算法类似，对正向传播过程中生产的不同特征图分别预测

（d）特征金字塔

不仅是对不同特征图进行预测，还会对不同特征层进行融合后预测

感觉（a）和（c）结构相似，但实际上一个是对图像缩放预测，一个是卷积提取特征进行预测

FPN如何实现不同特征层的融合，进行高层特征图与底层特征图融合

针对每一个骨干网络上的特征图进行1X1的卷积处理，目的是为了调整不同特征图的通道数，因为不同层次上的特征图通道数是不同的，一般越来越多； 

对于上一层的特征图进行二倍的上采样，即插值，保证了融合上层和下层的特征图高和宽一致。

在FPN中可以针对不同特征层预测不同尺度的目标，而Faster R-CNN中所有的不同面积不同比例的Anchor都在一个特征图预测

FPN通过RPN预测的Region proposal如何对应到原图，在代码LeverMapper和文章，还需进一步学习

粗略学习，后续还会持续更新

文章主要内容来源于：1.1.2 FPN结构详解_哔哩哔哩_bilibili