FPN（feature pyramid networks)

不同特征层特点：

• 低层特征：语义信息较少，目标位置明确
• 高层特征：语义信息丰富，目标位置粗略

FPN特点：

预测在不同的特征层独立进行，顶层特征上采样和低层特征做融合。
算法大致结构如下图所示：一个自底向上的线路(Bottom-up pathway)，一个自顶向下的线路(Top-down pathway)，横向连接(Lateral connection)

• 自底向上： 即网络的前向过程，将不改变feature map大小的层归为一个stage，论文中以抽取每个stage的最后一个层为例，构成特征金字塔。
• 自顶向下： 首先最顶层特征只进行1*1卷积，得到一个指定通道数的顶层特征，然后对其进行上采样 （上采样的方法有很多种，例如：直接对临近元素复制实现2倍最近邻上采样、先对原feature map进行边界扩充再进行卷积、对原feature map进行空洞卷积等），并将上采样的结果和自底向上生成的对应相同大小的feature map进行融合；再将融合的结果进行上采样，与自底向上生成的对应相同大小的feature map进行融合；如此反复进行，直到将所有想要融合的特征融合完毕。
• 横向连接： 图中的放大区域，即融合（merge）的过程。这里的融合不是进行通道拼接，而是借助于图中所示的1x1卷积（不改变feature map的尺寸大小）使二者通道数一致，在此基础上每个对应通道进行对应元素相加。特别地，这样还使得最后生成的特征金字塔（即上图中的右边一列）在每个特征尺度具有相同的通道数，通道数的多少取决于1x1卷积的作用结果。

在融合之后还会再采用3*3的卷积核对每个融合结果进行卷积，目的是消除上采样的混叠效应（aliasing effect）。