例如
分割：
sppnet中的spp空间金字塔池化结构；(spatial pyramid pooling)
pspnet中的pyramid pooling moudle结构，综合讲是金字塔场景解析结构；
deeplabv3+中的aspp结构，以及解码过程中联合编码部分信息的构造；(atrous spatial pyramid pooling)
检测：
ssd中的使用多尺度的特征图投向最后的检测器；
yolov3中使用的三个不同尺度，小尺度上采样融合前面特征变成大尺度；
FPN中的top-down结构，改造的特征金字塔；
trident net中的三叉戟结构，类似aspp结构；
根据不同的任务，下面的理由适合解释多尺度的好处。
高层获得语义信息，适合复杂任务，大map分辨率大感受野小满足小目标需求的信息，
0.浅层的网络更关注于细节（位置）信息，高层的网络更关注于语义信息
高层的语义信息能够帮助我们准确的检测出目标
1.融合深层特征适合做复杂任务
图像中存在不同尺寸的目标，而不同的目标具有不同的特征，利用浅层的特征就可以将简单的目标的区分开来；利用深层的特征可以将复杂的目标区分开来；这样我们就需要这样的一个特征金字塔来完成这件事。
图中我们在第4层输出较大目标的实例分割结果，在第5层输出次大目标的实例检测结果，
在第6层输出较小目标的实例分割结果。因为在大的feature map上进行操作，可以获得更多关于小目标的有用信息（分辨率有关，第三条）；
检测也是一样，我们会在第4层输出简单的目标，第5层输出较复杂的目标，第6层输出复杂的目标。
2.下采样倍数小的特征感受野小，适合小目标
另外在yolov3中对多尺度检测的理解是，1/32大小的特征图下采样倍数高，所以具有大的感受野，适合检测大目标的物体，1/8的特征图具有较小的感受野，所以适合检测小目标。
3.小尺度分辨率信息不足不适合小目标
对于小目标，小尺度feature map无法提供必要的分辨率信息，所以还需结合大尺度的feature map