搜尋意圖： 如果你在找「特徵金字塔網路 是什麼」或「特徵金字塔網路 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： 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。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
你有沒有看過照片裡的小物件很難抓，但大物件又很容易抓到？
你可以把特徵金字塔網路想成把不同大小的觀察視角接在一起，讓模型同時看得到大目標和小目標。
它重要，是因為真實世界裡的物件大小差很多，只靠單一尺度常常會漏掉小東西。
你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。
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。
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？
Q2： 如果場景裡所有目標大小都差不多，FPN 就完全沒價值嗎？
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。