详细内容或原文请订阅后点击阅览
PANet 论文演练：当特征金字塔自下而上时
了解 PANet 如何缩短低级和高级特征之间的路径 PANet 后论文演练：当特征金字塔自下而上时首先出现在《走向数据科学》上。
来源:走向数据科学我写过有关 FPN（特征金字塔网络）架构 [1] 的文章，它是我们可以应用于骨干模型的最有影响力的颈部之一。 FPN 最初被引入是为了增强物体检测模型检测小物体的能力。然而，Liu等人在2018年发现FPN的信息流还有改进的空间。因此，他们决定通过在题为“用于实例分割的路径聚合网络”[2] 的研究论文中提出 PANet 来解决这一差距，我们将在本文中讨论该论文。
关于 FPN 的一些知识
PANet 是建立在 FPN 架构之上的，所以我认为提前讨论一下 FPN 的工作原理是个好主意。在基于 CNN 的主干模型中，较深的特征图与较浅的特征图具有不同的特征。来自更深层次的特征图往往具有较高的语义信息，但它没有那么多的空间信息。相反，较浅层的特征图包含更多空间信息，但语义信息较少。这些事实本质上告诉我们，如果我们要预测大物体，我们应该使用较深的特征图，而如果我们要预测小物体，我们应该使用较浅的特征图。
然而，PANet 的作者发现直接从较浅的特征图中获取信息来检测小物体不太合适。这是因为这些特征图包含最少的语义信息，这本质上意味着它们对图像的内容没有很好的理解。 FPN 通过结合深层和浅层的特征图来解决这个问题。通过这样做，我们基本上可以将语义信息注入到他们以前没有的较浅的特征图中。
FPN 解决什么问题
FPN 无法解决的问题
PANet 如何解决 FPN 未解决的问题
详细的 PANet 架构
PANet 从头开始
# 代码块 1