前言

        在图像处理中，为了解决多尺度的问题，设计了图像金字塔；在卷积神经网络中，由于网络提取的不同特征层由低到高尺寸逐渐减小，自然形成了特征金字塔。FPN网络就是在特征金字塔的基础上对模型结构引入新的设计，从而提高了对小目标的检测精度。

特征金字塔的特点

                                                   

• 特征层由低到高所提取的信息丰富程度不同，特征层越高提取的语义信息level越高
• 特征层由低到高分辨率逐渐减小，感受野却逐渐增大

特征金字塔的构建和使用

特征金字塔本身的特点是固定的，但是对这些特征层的不同构建和使用方式会产生不同结果，下图表示4中不同的特征金字塔的构建和使用方式

                      

构建方式

       图(a)通过构建图像金字塔，再提取图像的特征来构建特征金字塔，在传统的图像算法中应用很广，缺点是计算量大、内存占用多，目前在深度学习中很少使用了；图(b)、(c)、(d)都是通过卷积神经网络自然构成特征金字塔，相比(a)减少了大量的计算量和内存使用

使用方式

• 图(b)只使用最高层的特征，RCNN系列就是此类。高层特征具有强的语义信息，在分类问题中使用没什么问题，但是在目标检测问题中，如果目标的尺寸变化较大，最高特征层的感受野太大，难以识别到小尺寸的目标
• 图(c)就是为了避免图(b)的缺点而设计的新的使用方法，在每个特征层都进行检测，在低层特征中可以检测小尺寸或特征简单的目标，高层特征可以检测特征复杂的大目标
• 图(d)对特征的使用方式就是对本文的主角：Feature Pyramid Networks

FPN原理解析

       前面分析我们知道，利用低层特征虽然可以检测小目标，但是低层特征的语义信息level较低，导致检测准确性较低。SSD网络结构中特征的使用方式和图(c)一样，但是SSD为了避免使用low-level特征，并没有在低层上进行检测，而是使用VGG的高层特征，同时在其基础上扩展更高层的特征，所以它对小目标检测效果不好。FPN通过自顶向下的过程和横向连接来解决低层特征语义信息level较低的问题，保持低层特征利于检测小目标的优势的同时，提高检测精度。

           

                                                              图1                                                                             图2

图1右边部分表示自顶向下的过程，水平向右的箭头表示横向连接，图2放大部分表示的自顶向下和横向连接的具体操作。

具体流程如下：

• 卷积网络得到特征层1、2、3
• 复制特征层3作为自顶向下的最高特征层4
• 对特征层4进行上采样得到特征层4'，保证其尺寸和特征层2相同，同时对特征层2使用1*1conv得到特征层4''，保证其通道数和特征层4'相同，最后将特征层4'和特征层4''相加得到特征层5(为了消除上采样的混叠效应，实际上还会再采用3*3的卷积核对每个融合结果进行卷积)
• 重复上一步依次得到低层特征

分析：

横向连接将high-level特征融合到low-level特征中，从而提高了低层特征的语义level。

总结

       FPN网络是采用ResNet作为Base实现的，但其实FPN可以看做一种网络结构模块或者设计思想应用在各种网络中。