特徵金字塔網路 是什麼？

Feature Pyramid Network：特徵金字塔網路 的完整解釋

特徵金字塔網路(FPN)是一種用於目標檢測的深度學習架構，旨在從不同尺度的特徵圖中提取豐富的語義信息，以提升小目標的檢測性能。

容易混淆

特徵金字塔網路 vs 單一尺度特徵圖 單一尺度只看一層特徵，處理大物件通常比較順。 FPN 會把不同層級的資訊融合，對小物件更友善。

特徵金字塔網路 vs 物件偵測 物件偵測是任務。 FPN 是幫物件偵測變強的一種架構設計。

記住這句就好

大小都要看見，FPN 就是在補這個缺口。

實際案例

交通攝影 遠處的小車牌和近處的大巴士在同一張圖裡，FPN 能讓模型同時照顧不同尺度。

醫療影像 病灶有時很小又不明顯，多尺度特徵能提高找到微小異常的機會。

算法與應用

它會做自上而下的語義傳遞，再搭配橫向連接，把高層語義和低層細節融合起來。 這種設計常被放進物件偵測框架中，用來提升多尺度目標的表現。

FPN 的三個結構

卷積網路越往深層，語意越強但解析度越低。淺層看得清楚卻不知道那是什麼，深層知道是什麼卻定位不準。小物體在深層特徵圖上可能只剩一兩個像素，直接消失。

FPN 用三個結構把兩邊的優點合起來。

由下而上（bottom-up）。 就是原本骨幹網路的前向傳播，逐層縮小解析度、加深語意。每個階段的最後一層輸出被留下來備用。

由上而下（top-down）。 從最深、語意最強的那層開始，逐層上採樣放大解析度，把強語意往回帶。

橫向連接（lateral connection）。 每一層上採樣之後，跟由下而上對應解析度的那一層相加。前者提供語意，後者提供精確位置。

結果是產生一組解析度不同、但每一層語意都很強的特徵圖。大物體用低解析度那層偵測，小物體用高解析度那層，各司其職。

為什麼它變成標準配備

FPN 之前的做法有三種，各有明顯代價。

只用最後一層特徵：快，但小物體偵測很差。

影像金字塔（把原圖縮放成好幾種尺寸各跑一次）：準，但計算量是好幾倍。

直接用各層特徵各自預測：不用額外算，但淺層語意太弱，效果有限。

FPN 的價值在於幾乎不增加計算量就拿到多尺度的強語意特徵。它是一個附加結構，可以接在任何骨幹網路後面，所以 Faster R-CNN、Mask R-CNN、RetinaNet 以及 YOLO 的較新版本都採用了這個設計或它的變體（PANet、BiFPN）。

判斷要不要用：任務裡物體大小差異大就一定要用。物體尺寸固定（例如固定距離拍攝的產線檢測）則未必划算。

情境判斷

Q1：如果你要偵測停車場裡從遠到近的各種車輛，FPN 有幫助嗎？ → 有，因為物件大小差異大，FPN 可以讓模型同時處理不同尺度。

Q2：如果場景裡所有目標大小都差不多，FPN 就完全沒價值嗎？ → 不一定，還是可能幫助特徵整合，但它的最大優勢通常在尺度差異明顯的場景。

常見問題

FPN 一定要搭配物件偵測嗎？

主要是，但任何需要多尺度表徵的任務都可能受益。

FPN 跟金字塔池化是一樣嗎？

不一樣，兩者都處理多尺度，但融合方式不同。

橫向連接在做什麼？

它把高層語義和低層細節接起來，讓每一層都更完整。

FPN 會不會讓模型變重？

會增加一些計算，但通常換來更好的多尺度偵測效果。