关于特征金字塔结构 FPN，终于听明白了它的原理

最新推荐文章于 2025-07-25 11:18:21 发布
原创 最新推荐文章于 2025-07-25 11:18:21 发布 · 1.5k 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-NC-SA 版权协议，转载请附上原文出处链接和本声明。

浅层网络能捕捉细节但小目标特征不突出，高层网络虽有语义信息但小目标特征弱化。FPN通过融合多层特征，有效识别中小目标，提高召回率，实现上下层信息互补。特征融合利用end-to-end训练，使得不同层特征相加后能更好地结合浅层和深层信息。

总结：

浅层网络(下层网络) 感受野小，但是只能感受到纹理等细粒度的特征，在此小目标的特征和大目标特征在此些层 的特征比例分布还算均衡，因此还能被损失函数识别，因此能被识别出来

在高层网络（末端，上层网络），感受野大，能综合更多的语义信息，但是小目标在此些层已经相关的特征了，或者特征数量不足，导致 和大目标 特征信息比例严重失衡，无法被损失函数识别，因此导致

无法更新的模型的权重中去，所以，仅仅用高层网络抽取出来的信息去识别小目标，是不行的。

所以，用FPN结构，综合多层的特征信息，可以有效的识别 中小目标，提高他们的召回率。31：00

 

关于 FPN里的特征融合

https://blog.youkuaiyun.com/weixin_29607637/article/details/112578963?utm_medium=distribute.pc_relevant_t0.none-task-blog-2%7Edefault%7EBlogCommendFromMachineLearnPai2%7Edefault-1.control&depth_1-utm_source=distribute.pc_relevant_t0.none-task-blog-2%7Edefault%7EBlogCommendFromMachineLearnPai2%7Edefault-1.control

 

 

以及 高清大图图解

FPN（特征金字塔）图解

 

Q1：不同深度的feature map为什么可以经过upsample后直接相加？

答：作者解释说这个原因在于我们做了end-to-end的training，因为不同层的参数不是固定的，不同层同时给监督做end-to-end training，所以相加训练出来的东西能够更有效地融合浅层和深层的信息。
原文链接：https://blog.youkuaiyun.com/weixin_38132153/article/details/107933383

YOLO11改进 | Neck | 添加双向特征金字塔BiFPN【含二次独家创新】
kay_545
09-30 3616
yolo11，yolo11改进，独家创新
MATLAB算法实战应用案例精讲-【深度学习】多尺度特征融合（最终篇）
qq_36130719的博客
04-10 1753
随着网络层数的加深，网络的感受野逐渐变大，语义表达能力也随之增强，但是这也使得图像的分辨率降低，很多细节特征经过多层网络的卷积操作后变得越来越模糊。浅层神经网络的感受野小，细节特征的表达能力强，但是提取的特征语义性较弱。多尺度特征融合很好的解决了这个问题，其不再是只将最后一层的特征图用于检测，而是选择多层的特征进行融合再进行检测。图像金字塔是在原始图像上进行不同比例的缩放以得到不同尺寸的输入图像，再对得到的图像分别进行特征提取和预测输出，图像金字塔算法使目标检测准确率得到了提升，但是缺点也十分明显。
18_特征金字塔网络FPN结构详解
https://github.com/foxpup11?tab=repositories
07-07 8428
https://www.bilibili.com/video/BV1dh411U7D9/?spm_id_from=333.999.0.0&vd_source=7dace3632125a1ef7fd32c285eb2fbac
FPN（特征金字塔）结构笔记
Clichong
06-07 2万+
文章目录1.特征金字塔结构2.FPN结构3.FPN+RPN结构4.性能指标 论文：feature pyramid networks for object detection，论文链接 摘要：本文利用深度卷积网络固有的多尺度金字塔层次构造特征金字塔，并增加边际额外成本。开发了一个具有横向连接的自顶向下体系结构，用于在所有尺度上构建高级语义特征映射。这种结构被称为特征金字塔网络(FPN)，在一些应用中显示出作为通用特征提取器的显著改进。在一个基本的Faster R-CNN系统中使用FPN，我们的方法在没有附加条
特征金字塔：FPN（Feature Pyramid Networks）
xu.hyj
04-04 1万+
1、introduction 在目标检测中，对于小目标的检测是一个难点，如果我们使用传统的多级卷积运算，可能导致像素占比少的小目标在该过程中丢失，所以如何提取高级特征还能保留小目标的信息是一个问题。 FPN即特征金字塔，来自论文《Feature Pyramid Networks for Object Detection》。 其基本 ...
FPN特征金字塔 完整详解 【论文笔记】
Bryce-HJ
08-09 4万+
Contents1 Introduction2 FPN网络2.1 自底向上2.2 自顶向下2.3 横向连接3 总结4 FPN网络 pytorch代码 1 Introduction      论文地址：Feature Pyramid Networks for Object Detection      原来多数的目标检测算法仅仅根据最终的特征图输出做预测，而低层的特征语义信息比较少但目标位置准确；高层的特征语义信息丰富但目标位置粗略。识别不同尺寸的目标一直是目标检测的难点，尤其是小目标！      以VGG1
FPN（特征金字塔结构）详解
pyscl01的博客
11-09 3043
FPN（特征金字塔）详解
多尺度特征融合总结（金字塔结构）
热门推荐
m0_53955985的博客
06-05 7万+
列举了一些经典的模型来帮助快速了解什么是特征金字塔，以及对于多尺度图像的处理方式，
fpn特征金字塔网络工作原理图
05-24
### 特征金字塔网络（FPN）工作原理 特征金字塔网络（Feature Pyramid Network, FPN）是一...[关于特征金字塔结构 FPN，终于听明白了它的原理](https://blog.youkuaiyun.com/weixin_38132153/article/details/107933383)[^2]
【原理篇】一文读懂FPN(Feature Pyramid Networks)
女神sha手的博客
10-29 3427
论文：feature pyramid networks for object detection 论文链接：https://arxiv.org/abs/1612.03144 这篇论文是CVPR2017年的文章，采用特征金字塔做目标检测。作者提出的多尺度的object detection算法：FPN（feature pyramid networks）。FPN网络将特征金字塔模型引入至Faster R-CNN中，在不牺牲内存与速度的情况下达到了state-of-the-art，同时对于小物体的检测也获得了不错
FPN+ResNet的Pytorch实现
comea23的博客
03-29 1万+
终于把拖了两周的ResNet和FPN实现了（也不叫实现，照着改的…）。真是应了那句话：纸上得来终觉浅，须知此事要coding。 先贴FPN： 这只是FPN结构，具体的FPN网络就比较复杂了，也贴个，万一哪天也自己实现了呢… 稍微讲一下FPN结构吧，用的原理就是图像处理中很简单但很重要的金字塔结构。以ResNet50为例，四层结构得到的特征图尺寸应为：（ResNet50可看我上一篇博客） c1:t...
特征金字塔（Feature Pyramid Networks ）
m0_55844603的博客
02-28 1万+
特征金字塔是目前用于目标检测、语义分割、行为识别等方面比较重要的一个部分，对于提高模型性能具有非常好的表现。 不同大小的目标都经过了相同的降采样比例后会出现较大的语义代沟，最常见的表现就是小目标检测精度比较低。特征金字塔具有在不同尺度下有不同分辨率的特点，不同大小的目标都可以在相应的尺度下拥有合适的特征表示，通过融合多尺度信息，在不同尺度下对不同大小的目标进行预测，从而很好地提升了模型的性能。
特征金字塔技术总结
人无远虑，必有近忧
02-01 2482
特征金字塔是目前用于目标检测、语义分割、行为识别等方面比较重要的一个部分，对于提高模型性能具有非常好的表现。 不同大小的目标都经过了相同的降采样比例后会出现较大的语义代沟，最常见的表现就是小目标检测精度比较低。特征金字塔具有在不同尺度下有不同分辨率的特点，不同大小的目标都可以在相应的尺度下拥有合适的特征表示，通过融合多尺度信息，在不同尺度下对不同大小的目标进行预测，从而很好地提升了模型的性能。 本文将介绍特征金字塔的两种构建方式，介绍目前特征金字塔的主要改进思路和方案，主要有：ASPP, FPN, PA
深入解析特征金字塔网络(FPN)
最新发布
weixin_42620563的博客
07-25 1770
htmltable {th, td {th {pre {简介：特征金字塔网络（FPN）由林宇航等人于2017年提出，是一个用于目标检测的深度学习框架。FPN通过构建一个自顶向下的金字塔结构，将高层的语义信息和低层的高分辨率细节信息相结合，解决了目标检测中的尺度问题。其核心在于利用上采样、侧输出层和金字塔输出层进行特征融合，从而获得可用于多尺度目标检测的丰富特征图。FPN不仅提升了目标检测的精度，还因其计算效率高、适应性强和扩展性好等特点而受到青睐。
【FPN】常见的几种特征金字塔介绍
All_In_gzx_cc的博客
03-31 2925
目的 为什么使用特征金字塔呢，是因为CNN对物体的平移是保持不变的，而对于物体的尺度变换是无法处理的；而且高层的语义信息较丰富，但经过多层特征提取和压缩，缺少对于小尺度的细节信息，所以使用特征金字塔进行处理，下面进行介绍。 特征金字塔结构的演变 Featurized image pyramid 对图像做一个特征金字塔，在每一个图像上做CNN，进行预测，但 计算与内存开销太大。 Single feature map 对图像做一个CNN，相当于一个特征金字塔，不对图像做特征金字塔，在最高层做一个预测，但这存
目标检测(七)：FPN----特征金字塔网络
weixin_41936775的博客
08-16 2825
FPN一、简介1 人工特征之特征化图像金字塔2 卷积网络之单尺度特征图3 卷积网络之金字塔特征层级4 卷积网络之top-down结构 一、简介 FPN：Feature Pyramid Networks for Object Detection 这篇文章主要基于 特征金字塔(Feature Pyramids) 解决了 目标检测系统中识别多尺度目标的不足。 尽管特征金字塔是识别任务中实现多尺度目标检测的基本技术之一，但因为其 计算量大、内存占用高 而难以应用在深度学习目标检测中，因此先前的深度学习目标检测网络会
深度学习原理18——特征金字塔
xiaotiig的博客
12-17 1035
神经网络学习小记录29——特征金字塔-Feature Pyramid Networks（FPN）
Bubbliiiing的学习小课堂
11-19 1万+
神经网络学习小记录29——特征金字塔-Feature Pyramid Networks（FPN）学习前言什么是特征金字塔引入FPN的网络结构举例 学习前言 很多文章里面写道特征金字塔这个结构，其实这个结构Very-Easy。 什么是特征金字塔 目标检测任务和语义分割任务里面常常需要检测小目标，但是小目标比较小呀，可能在原图里面只有几十个像素点。就像这个样子。 我不检测这个猫，我就检测这一片片落...
深入理解Detectron 2 — Part 2 特征金字塔网络（Feature Pyramid Network）
zhuguiqin1的专栏
07-18 4993
本文翻译自博客：Digging into Detectron 2 — part 2 | by Hiroto Honda | Medium Figure 1. Inference result of Faster (Base) R-CNN with Feature Pyramid Network. 嗨，我是计算机视觉研究员 Hiroto Honda¹[homepage] [twitter] 在这篇文章中，我想分享我对 Detectron 2 的了解——repo 结构、构建和训练网络、处理数据集等等。.
特征金字塔FPN结构图
05-03
### Feature Pyramid Network (FPN) 结构图解释 #### FPN 的核心概念 Feature Pyramid Network (FPN)[^1]是一种用于目标检测的特征提取架构，旨在解决多尺度目标检测问题。它通过构建特征金字塔来增强模型对不同尺寸目标的检测能力[^2]。 #### FPN 的结构组成 FPN 的网络结构主要包括两个部分：自底向上（Bottom-Up）路径和自顶向下（Top-Down）路径[^3]。 - **自底向上路径**：这是基于传统卷积神经网络（如 ResNet）的标准前向传播过程，负责生成多层次的特征图。每层特征图都包含了不同的空间分辨率和语义信息。 - **自顶向下路径**：这一路径通过上采样操作将高层次的语义信息传递到低层次，并通过横向连接与对应的低层特征图进行融合。这种设计使得低层特征图不仅保留了丰富的空间细节，还获得了更强的语义表达能力。 #### 特征图融合机制 在 FPN 中，特征图的融合是一个关键步骤。具体来说，高层特征图经过上采样后与对应低层特征图按元素相加，形成新的特征图。这个过程可以重复多次，最终生成一系列具有相同通道数但不同分辨率的特征图[^5]。这些特征图随后被送入区域提议网络（Region Proposal Network, RPN）或其他检测模块中，用于生成不同尺度的目标建议框（proposals）[^4]。 以下是 FPN 的典型结构图及其组成部分： ![FPN Structure](https://upload.wikimedia.org/wikipedia/commons/thumb/9/9e/Fpn_structure.png/800px-Fpn_structure.png) #### 图解说明 1. **输入图像**：原始输入图像进入骨干网络（Backbone Network），通常为预训练好的 CNN 模型（如 ResNet 或 VGG）。 2. **C 层次**：骨干网络输出多个中间特征图（记作 C2、C3、C4 和 C5），分别代表不同尺度的特征。 3. **P 层次生成**： - P5 由 C5 经过 1×1 卷积降维生成； - P4 由 P5 上采样并与 C4 融合生成； - 同理依次生成 P3 和 P2。 4. **额外层**：为了覆盖更大的感受野，还可以从 P5 再生成更高一层的特征图 P6 和 P7[^4]。 #### 锚点设置 在 FPN 的每一层（P2 至 P6），都会定义一组锚点（anchors）。这些锚点的大小分别为 \(32^2\)、\(64^2\)、\(128^2\)、\(256^2\) 和 \(512^2\)，并且每个规模下有三种比例（1:2、1:1、2:1）。这样总共形成了 15 种可能的 anchor 配置[^4]。 --- ```python import torch.nn as nn class FPN(nn.Module): def __init__(self, in_channels_list, out_channels=256): super(FPN, self).__init__() # 定义 lateral layers 将各层 channel 数调整一致 self.lateral_layer1 = nn.Conv2d(in_channels_list[0], out_channels, kernel_size=1) self.lateral_layer2 = nn.Conv2d(in_channels_list[1], out_channels, kernel_size=1) self.lateral_layer3 = nn.Conv2d(in_channels_list[2], out_channels, kernel_size=1) # 定义 top-down pathway 的 conv layers self.topdown_block1 = nn.ConvTranspose2d(out_channels, out_channels, kernel_size=2, stride=2) self.topdown_block2 = nn.ConvTranspose2d(out_channels, out_channels, kernel_size=2, stride=2) def forward(self, c2, c3, c4): p4 = self.lateral_layer3(c4) p3 = self._upsample_add(p4, self.lateral_layer2(c3)) p2 = self._upsample_add(p3, self.lateral_layer1(c2)) return [p2, p3, p4] def _upsample_add(self, x, y): _,_,H,W = y.size() return nn.functional.interpolate(x, size=(H,W), mode='bilinear') + y ``` ---
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

往事如yan

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值