该论文介绍了基于深度卷积网络的 Feature Pyramid Network（FPN），该网络利用深度卷积网络自带的金字塔多尺度特征，并在多种应用中取得了重大改进，尤其是在目标检测上。使用 FPN 的 Faster R-CNN 系统在 COCO 检测基准测试中取得了最先进的单模型结果。此外，该方法能够在 GPU 上以 5 FPS 的速度运行，是一种实用且准确的多尺度目标检测解决方案。

Dec, 2016

本文系统地研究了神经网络结构设计选择以提高计算机视觉中目标检测的模型效率，提出多个优化方案，包括带权重的双向特征金字塔网络、统一调整骨干网络、特征网络、盒类预测网络的分辨率、深度和宽度的复合调节方法，成功开发了名为 EfficientDet 的新一代目标检测器，拥有更高的性能和更小的计算量。

Nov, 2019

本文分析了现有的特征金字塔结构在物体检测方面的问题，提出了一种新的名为 AugFPN 的特征金字塔架构，成功应用在 Faster R-CNN、RetinaNet 和 FCOS 等模型中，显著提高了平均精度 AP。

Dec, 2019

本文提出的基于图形特征金字塔网络的多尺度特征学习方法，在对象检测任务中优化了 Faster R-CNN 算法，并超越了之前的最先进特征金字塔算法和其他流行的检测方法。

Aug, 2021

提出了两种可行的策略来解决特征金字塔网络（FPN）在物体检测中对大尺度物体检测能力的抑制，即引入辅助目标函数来使每个骨干网络层直接接收不同尺度的物体的反向传播信号和更合理地构建特征金字塔，实验证明这两种策略有效率高，可以在各种检测框架中获得相当的改进

Jul, 2022

本文介绍了使用神经架构搜索方法学习目标检测特征金字塔网络的新架构 NAS-FPN。NAS-FPN 采用自下而上和自上而下的连接方式，通过结合 RetinaNet 框架中的各种骨干模型，相比当前最先进的目标检测模型，在精度和延迟的交易方面取得更好的效果。NAS-FPN 在移动检测精度方面比 [32] 中的最先进的 SSDLite with MobileNetV2 模型提高 2 个方差值，并以更少的计算时间实现了 48.3 的检测精度，超过了 Mask R-CNN [10] 的检测精度。

Apr, 2019

该论文提出了一种渐近特征金字塔网络（AFPN），通过渐进地将更高层次的特征融入到融合过程中，实现了不相邻层次的直接交互，并采用了自适应空间融合操作来缓解可能出现的多目标信息冲突。实验评估结果表明，AFPN 比其他最先进的特征金字塔网络具有更具竞争力的结果。

Jun, 2023

该论文提出了一种名为 YOLOF 的对象检测方法，通过只使用一个层级特征来解决优化问题，以达到和 FPN 相关模型相当的效果，但快 2.5 倍，并且可以在不使用 Transformer 层的情况下在单层特征下达到 DETR 的性能，训练时间只需要其 1/7，并且在 2080Ti 上可以达到 60fps。

Mar, 2021

本文提出多级时间金字塔网络（MLTPN）方法，采用多级特征金字塔结构和特征融合模块提高时域动作检测的准确性，在 THUMOS'14 数据集上取得了显著的高于先前最先进的方法的表现。

Aug, 2020

本文介绍了一种基于 DEQ 的隐式特征金字塔网络（i-FPN）用于物体检测，实验结果表明 i-FPN 可以显著提高检测性能。

Dec, 2020