MASK-RCNN中也有PAN(Path Aggregation Network)，
一、FPN
如下图conv5、conv4、conv2&3，分别对应高层、中层、底层特征，这里将其特征融合得到M5、M4、M3、M2特征图最终得到的P2-5等特征图可以用于预测。
FPN就是这样，自顶向下的模式，将高层特征传下来。而底层特征却无法影响高层特征，并且FPN中的这种方法中，顶部信息流往下传，是逐层地传，计算量比较大。PAN解决了这一问题。
二、PANet
PANet引入了自底向上的路径，使得底层信息更容易传递到高层顶部。左边图(a)，V3中讲过，特征融合，featureMap越小，感受野越大；可能要走例如100层，才能遍历玩ResNet。现在加入要将底层特征传递到特征图顶部，如图a红线，如果是采用上述FPN算法，可能要走很多层，增加了很多计算量。而PANet采用的是：在进行自顶向下的特征融合后（实际上，PANet无论是bottom-top，还是top-bottom进行特征信息传递，都是在“从原始网络中提取低、中、高层特征图之后”，进行的），然后再进行自下向顶（这里遍历的最终的特征图P2-5，而不是原始100多层特征图）的特征融合，如图(b)绿色线条，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。
下图，中间（第二列）表示top-bottom信息传递，右边（第三列）表示bottom-top信息传递。
YOLOV4对PAN(PANet)还有一点小改进，使用张量连接(concat)代替了原来的捷径连接(shortcut connection，残差连接里面有)。YOLOV4中再特征融合时不是加法，而是特征堆叠。
