目录
-
- [0. CNN的网络应用](#0. CNN的网络应用)
- [1 网络结构](#1 网络结构)
- [2 探索经验与影响](#2 探索经验与影响)
-
- [2.1 核心洞察------语义信息是"可传递"的](#2.1 核心洞察——语义信息是“可传递”的)
- [2.2 深远影响](#2.2 深远影响)
-
- [2.2.1 确立了"Neck"模块的行业标准](#2.2.1 确立了“Neck”模块的行业标准)
- [2.2.2 解决了"小目标检测"的世纪难题](#2.2.2 解决了“小目标检测”的世纪难题)
- [2.3 小结](#2.3 小结)
找到这篇文章讲的太好了，学习之。
【FPN(Feature Pyramid Networks)网络--特征图金字塔网络，适合小目标检测网络。 - CSDN App】https://blog.csdn.net/weixin_43331421/article/details/140209622?sharetype=blog\&shareId=140209622\&sharerefer=APP\&sharesource=yhb1206\&sharefrom=link
0. CNN的网络应用
我感觉，FPN是对ResNet在目标检测领域的应用。
它的出现是为了解决目标检测中小目标漏检的问题，人类哇，不断探索，于是SSD，FPN等等不断探索出来了。
各种网络结构，其实都是实验探索出来的，那么神经网络呀，还真是实验科学。
1 网络结构
【FPN(Feature Pyramid Networks)网络--特征图金字塔网络，适合小目标检测网络。 - CSDN App】https://blog.csdn.net/weixin_43331421/article/details/140209622?sharetype=blog\&shareId=140209622\&sharerefer=APP\&sharesource=yhb1206\&sharefrom=link
该文章中截图如下：
可以看得出它是对CNN网络的应用或者进一步工程化发展------C2-C5每个阶段的最后的特征图都增加一个输出，像不像卡你脖子？所以这样的结构又叫neck。其实开玩笑，这样理解也可以，不过在计算机视觉的模型架构里，大家习惯用人体结构来比喻网络的不同部分：
Backbone（主干/脊梁）：负责提取特征，就像人的脊柱，支撑着整个身体。
Head（头）：负责做具体的任务（比如分类、检测），就像人的大脑，负责决策。
Neck（脖子）：负责连接 Backbone 和 Head，并对特征进行加工融合。
FPN 就是典型的 Neck。
FPN 本身就是一个特征融合模块，它把主干网络不同深度的特征图（C2-C5）融合起来，生成新的特征金字塔（P2-P5），然后再送给检测头（Head）去做预测。所以，FPN 在模型里扮演的就是"脖子"的角色。
2 探索经验与影响
FPN 的探索经验与影响，可以总结为 "一个核心洞察" 和 "两大深远影响"。
2.1 核心洞察------语义信息是"可传递"的
FPN 最大的探索经验是证明了语义信息（Semantic） 和位置信息（Location） 可以解耦处理。
传统认知：认为高分辨率特征图（浅层）语义弱，无法直接用于检测。
FPN 洞察：语义信息是"可传递"的。通过自顶向下的路径，可以将深层的高语义信息"注入"到浅层的高分辨率特征中，从而创造出既强又准的特征图。
2.2 深远影响
2.2.1 确立了"Neck"模块的行业标准
FPN 是第一个真正意义上被广泛接受的 "Neck" 结构。
它证明了在 Backbone（主干）和 Head（检测头）之间增加一个特征融合模块，能带来巨大的性能提升。
后续演进：PANet（双向融合）、BiFPN（加权融合）、ASFF（自适应融合）等，都是在 FPN 的"自顶向下"基础上做的改进。
2.2.2 解决了"小目标检测"的世纪难题
在 FPN 之前，小目标检测的精度一直很低，因为小目标在深层特征中几乎"消失"了。FPN 通过利用浅层的高分辨率特征，极大地提升了小目标的召回率，成为小目标检测的标配技术。
2.3 小结
FPN 不仅是一个算法，更是一种设计范式。
它告诉后来的研究者："特征金字塔" 是解决多尺度问题的金钥匙，而"语义传递" 是构建高质量特征金字塔的核心手段。