faster rcnn加入金字塔

### 集成特征金字塔网络(FPN)到Faster R-CNN

#### 特征金字塔网络概述
特征金字塔网络（Feature Pyramid Network, FPN）是一种用于多尺度目标检测的有效结构。通过自顶向下的路径增强低层特征图的信息，使得不同层次的特征具有语义信息和空间细节。

#### 修改 Faster R-CNN 架构以支持 FPN
为了使 Faster R-CNN 支持 FPN 结构，在原有架构基础上需做如下调整：

- **构建基础骨干网**：通常选用 ResNet 或其他深层卷积神经网络作为主干提取器[^1]。

- **添加横向连接**：在每个阶段结束处引入侧边分支与顶层下采样后的特征相加形成融合特征[^3]。

- **实现上采样操作**：利用双线性插值等方式将高层稀疏但富含语义意义的小尺寸特征映射放大至较大尺寸并与相应级别的浅层稠密特征相结合[^2]。

以下是 Python 代码片段展示如何基于 PyTorch 实现上述过程:

import torch.nn as nn
from torchvision.models import resnet50


class BackboneWithFPN(nn.Module):
    def __init__(self, backbone_name='resnet50'):
        super().__init__()
        
        # 加载预训练模型并移除其分类头部分
        base_model = resnet50(pretrained=True)
        self.backbone = nn.Sequential(*list(base_model.children())[:-2])
    
        # 定义额外模块来处理来自ResNet各阶段输出的不同分辨率特征图
        out_channels = 256
        
        self.fpn_topdown_4to3 = nn.ConvTranspose2d(out_channels * 8, out_channels * 4, kernel_size=2, stride=2)
        self.fpn_lateral_conv3 = nn.Conv2d(512, out_channels*4, kernel_size=1)

        self.fpn_topdown_3to2 = nn.ConvTranspose2d(out_channels * 4, out_channels * 2, kernel_size=2, stride=2)
        self.fpn_lateral_conv2 = nn.Conv2d(256, out_channels*2, kernel_size=1)


    def forward(self, x):
        c2, c3, c4, _ = self.backbone(x).split([256, 512, 1024, 2048], dim=-3)
        
        p4 = self.fpn_topdown_4to3(c4) + self.fpn_lateral_conv3(c3)
        p3 = self.fpn_topdown_3to2(p4) + self.fpn_lateral_conv2(c2)
        
        return {'p3': p3, 'p4': p4}

此段代码定义了一个简单的带有 FPN 的骨干网络类 `BackboneWithFPN` ，其中包含了从 C2 到 C4 层次之间的跨级别连接逻辑以及相应的反卷积/转置卷积层来进行逐级放大的操作。