FPN结构详解

注：文章是学习B站：霹雳吧啦Wz 的学习笔记哦，真的是位很棒的up，有兴趣的同学可以去看看~
（a）将图片伸缩成不同尺寸再单独进行预测
（b）标准的FASTRCNN（对于小尺寸不友好）
（c）SSD类似
（d）不同特征图上的特征进行融合再进行预测

backbone是用于提取特征的主干网络，提取目标的位置大小形状等特征，常见的目标检测backbone包括AlexNet、VGG、ResNet、DenseNet、MobileNet等，较深的backbone网络可以提供更好的性能，但也会带来更多的计算成本。FPN通过在backbone网络中增加额外的横向连接和上采样模块，从而产生了一系列具有不同尺度的特征图，并通过自顶向下的路径传递信息，并在不同层次上进行融合，以实现对不同尺度目标的更好表示和检测。

“各个参数的梯度”指的就是在反向传播算法中计算出来的，用于更新模型中各个参数的值，表示了当前参数取值使得损失函数变化的速率,使得模型在训练数据上拟合更好的目标函数。
就常见的几个目标检测backbone进行比较：

VGG：VGG是一个比较经典的深度卷积神经网络，它有多个版本，其中VGG16和VGG19是最为常用的。VGG网络具有较深的层数，可以提取出较为复杂的特征，但由于参数量较大，在计算效率方面相对较低。

ResNet：ResNet是一种残差网络，其主要特点是通过跳跃连接（shortcut
connection）将多个卷积层串联起来，从而避免了深度网络中梯度消失或爆炸的问题，并且可以有效地加速网络训练。ResNet在ImageNet数据集上取得了很好的表现，成为了目标检测领域中广泛应用的backbone之一。

MobileNetV2：MobileNetV2是一种轻量级的卷积神经网络，主要采用深度可分离卷积来减少计算量，并且引入了线性瓶颈模块来增加模型的表达能力。MobileNetV2在计算量和模型大小方面都比较小，适合于移动设备等资源受限的场景。

EfficientNet：EfficientNet是一种基于网络缩放的策略来提高模型性能和计算效率的backbone网络。EfficientNet采用了一种统一的网络缩放方法来平衡深度、宽度和分辨率，并且通过自动搜索得到了一组最优的网络超参数。EfficientNet在ImageNet上取得了很好的表现，同时也适合于目标检测等任务。

11的卷积核是用来调整channel的，最上面的上采样调节长宽（比如77通过上采样变成下一层的一样尺寸14*14，再将特征图相加）
P6是对P5下采样得到的 == P6只用于RPN，不在Fast-RCNN==

在目标检测任务中，需要先找出图像中可能存在物体的区域（称为候选框），然后再对这些候选框进行分类和定位。

RPN主要负责生成这些候选框，它采用卷积神经网络对输入的特征图进行滑动窗口操作，将每个窗口映射到一个固定大小的向量上，并输出该窗口包含物体的概率以及对应的坐标回归参数。