特征金字塔网络（Feature Pyramid Network，FPN）是一种在卷积神经网络内部构造多尺度特征的结构，让检测器在同一个骨干网络里，既能用上"看得清细节"的浅层特征，也能用上"认得准物体"的深层特征。
问题的根源：深层和浅层各有短板
卷积网络逐层下采样，特征图越来越小。以总步幅为 32 的那一层为例：一张 640×640 的输入图，到这里只剩 20×20。这时麻烦来了——一个 16×16 像素的小目标，在步幅 32 的特征图上连一个像素都占不满，几乎等于消失了。反过来，浅层特征图分辨率高，边缘、纹理、位置这些细节都还在，但感受野小、语义弱，"这块纹理到底是车还是路牌"它答不上来。
打个比方：从万米高空看地面，能判断"这是城区、那是农田"，但看不见有人在过马路；把镜头拉到几十米，人看得很清楚，却不知道这整片地方是什么。检测器需要同时拥有这两双眼睛。
FPN 是怎么做的
1. 自底向上：骨干网络（backbone，如 ResNet）正常前向传播，得到 C2、C3、C4、C5 等不同尺度的特征图。
2. 自顶向下 + 横向连接：把最深的 C5 上采样放大一倍，与经过 1×1 卷积调整通道数的 C4 逐元素相加，得到 P4；P4 再上采样与 C3 融合得到 P3，如此逐级传递下去。
3. 分层预测：每个 P 层各接一个 3×3 卷积（用来缓解上采样带来的混叠）和预测头，不同大小的目标被分配到不同层级去检测。
结果就是：浅层获得了来自深层的语义，深层获得了来自浅层的精确定位，而计算开销只增加一点点。
和相邻概念的区别
| 做法 | 思路 | 代价 |
|---|---|---|
| 图像金字塔 | 把输入图缩成多个尺寸，每个尺寸跑一遍完整网络 | 计算量成倍增长 |
| 只用最后一层特征 | 只在高语义、低分辨率的深层上预测 | 小目标基本丢失 |
| FPN | 在同一骨干网络内部跨层融合，得到多尺度特征 | 额外开销很小 |
一句话区分：图像金字塔是"多跑几遍网络"，FPN 是"一次前向、内部共享"。
对从业者的实际意义
- 只要任务里有小目标——遥感影像、远距离行人、工业缺陷、医学影像——FPN 及其后续变体（如 PANet、BiFPN）几乎是默认配置。
- 设计锚框（anchor）或做目标分配时，"大目标交给深层、小目标交给浅层"是基本直觉。
- 实例分割、关键点检测等任务也复用了这套多尺度结构，它早已不只是检测的专属组件。
理解 FPN 的关键，是记住一条：语义强度和空间分辨率在卷积网络里天然是跷跷板，FPN 用跨层连接把两头都拿了回来。
具体实现细节与最新变体，以各框架和原论文的官方页面为准。