2020年8月9日 · 它通过构建多尺度特征金字塔，将高层特征图的语义信息与低层特征图的空间信息进行融合，生成具有丰富多尺度信息的特征表示。 特征 金字塔 ： FPN （Feature Pyramid Networks）

2023年8月11日 · 文章介绍了多尺度特征融合在深度学习中的重要性，包括深层网络和浅层网络在特征表示上的差异，以及图像金字塔和拉普拉斯金字塔的概念。 通过MTCNN、FPN、U-Net等网络结构的例子，阐述了如何利用多尺度信息进行目标检测和图像分割，强调了特征融合在网络 ...

这篇论文提出了一个利用深度 卷积神经网络 固有的多尺度金字塔结构来以极小的计算量构建特征金字塔的网络结构。 这是一种具有侧向连接（lateral connections）的自上而下的网络结构，用来构建不同尺寸的具有 高级语义信息 的特征图。

2024年6月5日 · 特征图金字塔网络(Feature Pyramid Networks，FPN)，是一种在2017年提出的网络结构，主要解决的是物体检测中的多尺度问题。FPN通过简单的网络连接改变，实现了在不显著增加原有模型计算量的前提下，显著提升了小物体检测的性能。

2021年6月28日 · 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。

2024年1月17日 · 特征金字塔网络是一种用于检测不同尺度目标的识别系统中的基本组件，能够提高模型精度。本文将详细介绍特征金字塔网络的基本原理、构建方式以及应用场景，并通过实例演示如何在实际应用中使用特征金字塔网络。

2024年10月17日 · 特征金字塔网络（Feature Pyramid Networks，FPN）是一种在计算机视觉领域中用于目标检测任务的网络结构，它由Tsung-Yi Lin等人在2017年的CVPR会议上提出。FPN的主要贡献是有效地结合了深层和浅层特征，以处理不同尺寸的目标检测问题。以下是FPN的关键特点 …

2021年8月6日 · （3）特征金字塔：使用不同层次的金字塔层feature map进行预测。 SSD就是采用这种多尺度 特征融合 方法，从网络不同层抽取不同尺寸的特征做预测，没有增加额外的计算量。

2020年12月23日 · 作者提出的FPN（Feature Pyramid Network）算法同时利用低层特征高分辨率和高层特征的高语义信息，通过融合这些不同层的特征达到预测的效果。并且预测是在每个融合后的特征层上单独进行的，这和常规的特征融合方式不同。

2017年7月25日 · 这里介绍的文章是来自 Facebook 的特征金字塔网络 Feature Pyramid Networks(FPN)。FPN 主要解决的是物体检测中的多尺度问题，通过简单的网络连接改变，在基本不增加原有模型计算量情况下，大幅度提升了小物体检测的性能。