FPN全称Feature Pyramid Networks，是对图像生成特征图的一种方式。卷积虽然可以捕捉到图像大尺寸的信息，但会导致对小尺寸信息的不敏感；而FPN将多个尺寸的信息融合在一起，使得模型可以提取多种尺寸的信息。
FPN流程
FPN可以分为两个步部分：自底向上的bottom-up网络和自顶向下的top-down网络。其中，bottom-up网络应用多次卷积，生成原图像多层次的特征图；而top-down则自顶向下融合这些特征图，并输出每一次融合的结果：
bottom-up网络
bottom-up网络实际上是多层的特征提取网络，每一层使用上一层的结果提取特征。可以使用一个多层ResNet网络来作为FPN的bottom-up网络。
top-down网络
设botton-up网络的处理结果为 $C$，其中从上往下第 $i$ 层为 $C_i$ ；同样地设top-down网络处理的结果为 $P$，其中从上往下第 $i$ 层为 $P_i$；FPN对每一层进行以下操作：
- 对 $C_1$ 进行 $1*1$ 卷积，得到 $P_1$
- 对 $C_i$ 层进行 $1*1$ 卷积，对 $P_{i-1}$ 层进行上采样，并把结果相加得到 $P_i$ ($i > 1$)
即：
$$
\begin{align}
P_1 &= Conv_{1*1}(C_1)\\
P_i &= Conv_{1*1}(C_i) + Upsample(P_{i-1})
\end{align}
$$
然后，下一个网络可以利用所有的 $P$ 进行进一步操作。
Comments NOTHING