呃 这篇文章的目的在于补充一些知识以便于理解Neck部分的网络

特征提取网络 与 目标检测之间的关系

一个特征提取网络，假设有1000层，开始的特征图包含的细节信息就很多，而随着网络的加深，特征提取网络经过多次被卷积和池化操作，会逐渐抛弃原始图像中的细节信息，而更偏向于抽象的语义信息。

语义信息：

语义信息是指描述了物体的类别、形状、位置、空间关系等高层次抽象特征，比如说在图像中，猫和狗就是不同的语义信息。

 对于一个特征提取网络来说，浅层特征图，会拥有以下的特点：

较小的感受野 -----> 较少的语义信息  ------> 难以获得更广泛的上下文信息 

尺寸较大的特征图 ----> 更多的细节信息 -----> 更高的分辨率

那么同理，对于深层特征图 

会具有较大的感受野  ----->  具有较强的语义抽象能力  ----->能够获得更广泛的上下文信息（获得较为全局的特征信息）

尺寸较小的特征图   ----->  丧失较多的细节信息   ----->难以获得最够的分辨率

那么对于大目标和小目标的检测问题

相对于大目标，小目标的定位和检测更加困难一些。

由于小目标的尺寸较小，因此小目标的需要更高的分辨率和更准确的定位信息，因此更加注重图像细节的表达能力，常常采用浅层特征图来判断（浅层特征更好地捕捉图像的细节信息，包括边缘、纹理等低层次特征），深层特征图注重更高层次的语义信息提取，导致在图像的细节上缺失。

对于大目标，大目标通常具有更为明显的高层次语义信息，比如物体的形状、结构和类别，而这些信息在深层特征图中更能够清洗地表达，此外，深层特征图具有更大的感受野，能够获得更为广泛的上下文信息，也就更能把握全局特征，因此深层特征图更适合大目标的定位和检测。

简而言之，在进行目标检测和定位时，对于大目标，深层特征和大的感受野通常更加适合；而对于小目标，则需要更注重浅层特征和更高的分辨率。

插一嘴，图像的分类需要深层特征图，

而对于目标检测，则得分大目标和小目标选择合适的特征图（当然后面都是浅层信息和深层信息融合了）。

Neck 特征融合

其实看论文更好，找英翻嘛

FPN详解_技术挖掘者的博客-CSDN博客

深度学习-路径聚合网络(PANet网络)_Tc.小浩的博客-CSDN博客

对于FPN结构（细节不概述了）其实可以总结为

将处理过的低层特征和处理过的高层特征进行累加，这样做的目的是因为低层特征可以提供更加准确的位置信息，而多次的降采样和上采样操作使得深层网络的细节信息存在误差，因此我们将其结合其起来使用，这样我们就构建了一个更深的特征金字塔，融合了多层特征信息。

 看似好像我们确实深层特征图通过concat融合了低层特征图，然后似乎拥有了低层特征图的细节信息。但是如果构建很深的网络，其实即使是相对于低层的特征图也走过了很多层（这也是PANet的改进：

• 缩短信息路径和用低层级的准确定位信息增强特征金字塔，创建了自下而上的路径增强

）。因此当一个网络深度较大，其实FPN的特征融合仍然损失了巨大的细节特征信息。

那么PANet网络的缩短信息路径是什么意思。

 我们知道P5、P4、P3融合的是主干网络里特征图（这种特征图可能已经经过了100层，只是特征图大小大而已，语义信息更多，细节信息已经较少了）。

那么我另辟一个只有降维行为通道不就行了（也就是我们的PAN）

官方的图其实需要配着文字说明才好阅读，PAN那一列其实与第一列的特征提取层数并不相同，PAN那一列只有降维而已，而N2也就是P2，N2~N5这一列，并不是主干网络的提取特征图，因此这样特征传递需要“穿越”的特征图数量大大减少，几层就到了，特征图保留的也更多的是细节信息了。

BiFPN

[Reading] EfficientDet: Scalable and Efficient Object Detection | nex3z's blog