“突然不喜欢一个人，是什么感觉？”

有个回答是：“他本来浑身是光。有那么一瞬间，突然就黯淡了，成为宇宙里一颗尘埃。我努力回想起他全身是光的样子，却怎么也想不起来。后来发现，那是第一次见到他时，我眼里的光。”

FPN

前言

全称：特征金字塔网络《Feature Pyramid Networks for Object Detection》

主要解决的问题：物体检测的多尺度问题。

背景：在物体检测过程中，卷积过程步长stride越长，计算量越小，但是小物体检测的准确性会急剧下降。

目标：在尽量不增加计算量的情况下尽量提升小物体检测的准确性。

图像金字塔，对不同尺度的图像景行行训练和测试，效果可以，但是需要极大的训练量，很难在实际中使用。

在这里插入图片描述
　　特征分层，将特征提取过程中的中间层对应到对应大小去做训练和测试。中间层层次低具有较高的分辨率，但是提取的特征并不准确，具有较弱的语义信息。

在这里插入图片描述
　　我们想要每一个分辨率的情况下都有较强的语义特征，于是提出了FPN网络。

在这里插入图片描述

两个过程——自底向上：前向过程，不同尺度的特征；自顶向下：上采样，并横向连接。
在这里插入图片描述

在这里插入图片描述

分析	说明
a、b	层次越深并不代表准确度越高；
a、b、c	FPN的增加对召回率有明显的提升；
c、d	没有自顶向下的融合，d数据较差，作者表示因为不同层之间的语义特征差距较大；
c、e	没有横向连接，因为本来位置准确度就差，再次上采样使准确度更加差；
c、d	只使用最后一层，不如FPN的效果，因为多层次预测能对尺度变化有更好的鲁棒性；