FPN（特征图金字塔）

《Feature Pyramid Networks for Object Detectin》CVPR2017

通常，利用网络对物体进行检测时，浅层网络分辨率高，学到的是图片的细节特征，深层网络，分辨率低，学到的更多的是语义特征。

1)、通常的CNN使用如下图中显示的网络，使用最后一层特征图进行预测

例如VGG16，feat_stride=16,表示若原图大小是1000x600，经过网络后最深一层的特征图大小是60x40，可理解为特征图上一像素点映射原图中一个16x16的区域；那这个是不是就表示，如果原图中有一个小于16x16大小的小物体，是不是就会被忽略掉，检测不到呢！

所以，使用上图中的网络的缺点就是，会造成检测小物体的性能急剧下降

2)、如果上面的单层检测会丢失细节特征；就会想到，利用图像的各个尺度进行训练和测试，比如下图所展示（图片金字塔生成特征金字塔）

将图片缩放成多个比例，每个比例单独提取特征图进行预测，这样，可以得到比较理想的结果，但是比较耗时，不太适合运用到实际当中。

3)、为了节约时间，直接使用卷积网络中产生的各层特征图分别进行预测

SSD网络也采用了类似的思想，这种方法的问题在于，让不同深度的特征图去学习同样的语义信息，同样会忽略掉底层网络中的细节特征

4)FPN网络，网络结构原理如下图所示