2023年11月3日 · 对于以ResNet为backbone的主干网络，选取conv2、conv3、conv4、conv5层的最后一个残差block层特征作为FPN的特征，记为 {C2、C3、C4、C5} ，也即是FPN网络的4个级别。这几个特征层相对于原图的步长分别为4、8、16、32。

本文提出了FPN（Feature Pyramid Network）算法可以同时利用低层特征高分辨率和高层特征的高语义信息，通过融合这些不同层的特征达到很好的预测效果。 此外，和其他的特征融合方式不同的是本文中的预测是在每个融合后的特征层上单独进行的。

2021年7月7日 · 本文介绍了Feature Pyramid Networks (FPN)在目标检测中的关键作用，它通过构建特征金字塔结构，有效应对小目标检测，提升性能并减少计算成本。FPN结合了图像金字塔概念与深度学习网络，利用top-down和lateral连接，显著改善了Faster R-CNN的性能。

2024年10月30日 · 由于多尺度特征融合的有效性能，路径聚合fpn（pafpn）被广泛应用于yolo检测器中。 然而，它不能同时高效且自适应地融合高级语义信息与低级空间信息。

FPN论文地址：Feature Pyramid Networks for Object Detection. 为了能最多的检测出图像上的大小目标，图像算法有一下几种方法： （1）图像金字塔：生成不同尺寸的图片，每张图片生成不同的特征，分别进行预测，最后统计所有尺寸的预测结果。

2017年11月9日 · This architecture, called a Feature Pyramid Network (FPN), shows significant improvement as a generic feature extractor in several applications. Using a basic Faster R-CNN system, our method achieves state-of-the-art single-model results on the COCO detection benchmark without bells and whistles, surpassing all existing single-model entries ...

FPN如今已成为Detecton算法的标准组件，不管是one-stage(RetinaNet、DSSD)、two-stage(Faster R-CNN、 Mask R-CNN)还是four-stage(Cascade R-CNN)都可用； 何恺明大神的论文Mask R-CNN 获得ICCV最佳论文，其中也应用了FPN网络

2024年7月28日 · 由于多尺度特征融合的有效性能，路径聚合fpn（pafpn）被广泛应用于yolo检测器中。 然而，它不能同时高效且自适应地融合高级语义信息与低级空间信息。

2023年5月3日 · AC-FPN 13 adaptively captures semantic and localization information using an attention-guided module to enhance the discriminative ability of feature representations.

2019年8月23日 · 对于小目标通常需要用到多尺度检测，作者提出的FPN是一种快速且效果好的多尺度检测方法。 方法 a,b,c是之前的方法，其中a,c用到了多尺度检测的思想，但他们都存在明显的缺点。