關鍵創新點：多尺度**，提高精度同時避免了傳統的多尺度方法（image pyramid）的巨大開銷。
1，bottem-up：從低到上的特徵提取部分，輸入為原始，輸出一系列不同尺度的feature map。**中使用resnet網路，把resnet每個stage的最後乙個feature map作為輸出。**中只使用conv2、conv3、conv4、conv5 四個stage，並把輸出記為c2、c3、c4、c5。分別相對於原始縮小4、8、16、32倍。
2，top-down和lateral connection：top-down的作用是，通過上取樣把那些更上層的feature map(位置粗糙但語義豐富)轉化為解析度更高的feature map，這樣是為了和較低層的feature map大小相匹配。然後，lateral connection會將相同解析度的top-down生成的feature map（更豐富的語義資訊）和bottem-up生成的feature map（更豐富的位置資訊）結合。
3，上取樣方式：上取樣因子是2，因為c2到c3到c4到c5正好每次縮小2倍。方法採用最臨近元法（nearest neighbor upsampling）。
4，lateral connection 方式：先對bottom-up輸出進行乙個1×1卷積（目的降低維度），然後通過element-wise addition，和上取樣輸出融合。融合的結果作為下層的輸入，依次迭代迴圈，直到產生最大解析度的feature map。
5，迭代的最開始，直接對c5進行1×1卷積產生第乙個feature map。
6，top-down產生的4個feature map，都要進行乙個3×3的卷積（為了降低混疊效應）。這4個最終的feature map記為p2、p3、p4、p5對應c2、c3、c4、c5。解析度對應相等。
7，**中提到把除了基礎網路外所有的feature map的dimension固定為256，有待理解。。。
FPN 相關問題
目錄 1 fpn橫向連線為什麼接乙個3 3 卷積 2 fpn的特徵融合為什麼是相加操作 3 fpn整體架構 4 為什麼fpn能夠很好的處理小目標？fpn特徵金字塔網路解讀 橫向連線 lateral connection 的步驟 對第 n 層的特徵使用 1 1 卷積來修改通道數 對第 n 1 層的特徵...
FPN 檢測網路解析
題目 feature pyramid networks for objection detection github 可搜 作者在文中指出了一種基於特徵金字塔結構的目標檢測演算法，但是骨幹網路結構還是基於faster rcnn。上圖便是作者在文中指出的特徵金字塔的bottom up,top down...
關於FPN的三個疑問
cvpr 現場提問 1 不同深度的 feature map 為什麼可以經過 upsample 後直接相加？a 作者解釋說這個原因在於我們做了 end to end 的 training，因為不同層的引數不是固定的，不同層同時給監督做end to end training，所以相加訓練出來的東西能夠更...