特征金字塔 使用场景

### 特征金字塔网络在深度学习与计算机视觉中的使用场景

#### 应用于目标检测
特征金字塔网络（FPN）广泛应用于目标检测任务中，尤其对于多尺度的目标检测效果显著。传统单层特征图难以兼顾大中小尺寸物体的精准定位和分类需求。而FPN通过自顶向下的路径增强低层语义信息，在保持高分辨率的同时赋予其更强表达力，有助于提升小目标检测精度[^2]。

import torch.nn as nn

class FeaturePyramidNetwork(nn.Module):
    def __init__(self, in_channels_list, out_channels):
        super(FeaturePyramidNetwork, self).__init__()
        # 定义横向连接操作
        lateral_convs = []
        output_convs = []

        for ch_in in reversed(in_channels_list):  # 自底向上构建各层次侧边分支
            conv_lateral = nn.Conv2d(ch_in, out_channels, kernel_size=1)
            conv_output = nn.Conv2d(out_channels, out_channels, kernel_size=3, padding=1)

            lateral_convs.append(conv_lateral)
            output_convs.append(conv_output)

        self.lateral_convs = nn.ModuleList(lateral_convs[::-1])  # 反转列表顺序以便于后续处理
        self.output_convs = nn.ModuleList(output_convs[::-1])

    def forward(self, x):
        last_inner = getattr(x[-1], 'clone', lambda: None)() or x[-1].detach().clone()
        
        results = []
        for feature, lateral_conv, output_conv in zip(
                reversed(x[:-1]), self.lateral_convs, self.output_convs):

            inner_top_down = nn.functional.interpolate(last_inner, scale_factor=2, mode="nearest")
            last_inner = lateral_conv(feature) + inner_top_down
            results.insert(0, output_conv(last_inner))

        return tuple(results)

#### 实现实例分割
除了基本的对象边界框预测外，FPNs还被用来支持更复杂的像素级标注任务如实例分割。Mask R-CNN就是基于此架构扩展而来的一个经典案例，它不仅实现了高质量的目标检测性能，而且可以生成精确的掩码来区分同一类别内的不同个体实体。

#### 提升弱监督学习表现
当训练样本标记不完全时，比如仅有图像级别标签而非具体位置信息的情况下，借助FPN可以从全局视角捕捉更多关于对象分布模式的知识点，进而辅助模型做出更好泛化性的决策过程。