原文标题：Feature Pyramid Networks for Object Detection
论文链接：http://arxiv.org/abs/1612.03144
概要
利用特征金字塔检测不同尺度的目标是一种基本的方法，但很多目标检测器都避免使用特征金字塔，因为特征金字塔这种表示方法计算速度代价比较大。作者提出了一种内在多尺度，金字塔层级的表示结构，能够构造高级语义特征的不同尺度表示，并且增加了较少的代价，称为FPN特征金字塔。所谓的内在多尺度是在不同的层级上去预测，而不是融合不同层级的feature map然后去预测；而高级语义特征的不同尺度表示，我认为是因为每一层都有上一层的特征的融合，所以每一层的feature map也有一定的高级语义的表达能力，同时还保留着低级别的特征。
对于多尺度目标的表示，有上述四种方法。
a是特征化的图像金字塔，这种方式比较慢。论文中 These pyramids are scale-invariant in the sense that an object's scale change is offset by shifting its level in the pyramid，我的理解是这里的object表示的是同类别的不同尺度的目标，这些目标有大有小，较大的目标在高层次的feature map中的表示应该和较小的目标在低层次的feature map中的表示是形同的，所以就可以说这个金字塔是尺度不变的。
b是常见的单一feature map的预测，能够表示高级的语义信息，而且具有一定的尺度不变性，而且比上一种更快，但不能具有更鲁棒的尺度不变性。
c作者称为金字塔化的特征层级表示，就是从不同层级的feature map中去直接预测，与作者提出的很相近
d是作者所提出的方案，比较快而且也比较准确。
结构框架
FPN是一种自顶向下的结构，它不只是将top层上采样然后横向融合对应自底向上的一层，而是在融合之前，将自底向上中的对应层经过了1个1x1conv减少通道数 ，然后再进行的融合，后面结果表明这个lateral层很有必要；自顶向下经过迭代之后还不是最终的feature map，将各层feature map再经过一个3x3conv（目的是减少上采样的混叠效应，不太理解？）得到最终图中蓝框的feature maps，图中越蓝的框表示那一层有较强的语义信息。
应用
作者将FPN分别应用于rpn以及fast rcnn。
rpn，对于FPN的每一level都经过1个3x3conv和两个1x1conv，在这里所有一个共享参数，就是在rpn head时，每一level的特征都经过相同的层，比非共享表现好一点，而且时间更少，这说明金字塔各层次的feature map有相似的语义级别。rpn实际上就是按照feature map的每一个点去滑动anchor生成多个anchor，只不过之前是在一个feature map上去滑动窗口，anchor有面积纵横比的区别，area（32，64，128，256，512）5种，根据纵横比（0.5，1，2）3种，在feature map的每个点上有15种不同的anchor。而运用了fpn之后，area分别对应于5个level的feature map，每一level又有上面3种纵横比，也就是在每一level的feature map上的每个点上变成只有3个anchor。没用fpn之前通过不同area的anchor来捕获不同尺度的目标，而fpn有不同尺度的feature map则可以再不同的level上捕获不同尺度的目标特征。
fast cnn, 主要的区别在于ROI pooling不在是在一个feature map上而是在多level的feature maps上。对于从rpn得到的Bbox它是怎么确定level的呢？根据下面公式确定
k0 = 4 表示如果wh = 224时，它应该map到level4，这个224是ImageNet标准的预训练的图片大小，fasterCNN中采用C4作为单feature map输出，因此这里k0取为4。因为从rpn得到的Bbox有不同的area，所以就会被map到不同的level，进行roipooling，ROIpooling固定输出7x7，经过两个fc层，最后进行最终分类以及回归
实验
数据集：coco
RPN vs FPN
lateral是使用横向的层，top-down是自顶向下迭代融合生成各level。
Fast R-CNN vs FPN
Faster R-CNN vs FPN
总结
FPN主要是提供了一个多尺度特征表示的方法，称之为特征金字塔，主要就是将高层特征上采样加上经过lateral的下层特征得到具体的一层，然后自顶向下依次构造，各层经过分别处理后得到最终的多level feature maps。
深层的卷积神经网络虽然有着更丰富的语义表达，具有有限的尺度不变性，因此需要多尺度的特征表示来弥补，这对于目标检测以及分割等任务都是有益的。