本文分析了不同的目标识别和检测技术，针对极端尺度变化进行了比较，比较了尺度特定和尺度不变的设计，提出了一种新的训练方案：图像金字塔尺度归一化检测器（SNIP），并在 COCO 数据集上进行了评估。

Nov, 2017

SNIPER 是一种实例级视觉识别算法，它采用多尺度训练，处理围绕着基准实例的上下文区域而不是处理金字塔中的每个像素，它可以在低分辨率芯片上进行操作以从极限分辨率的图像金字塔中观察样本，无需跨 GPU 同步归一化统计数据，指出高分辨率图像对实例级视觉识别任务的训练可能不正确。

May, 2018

AutoFocus 是一种高效的基于深度学习的物体检测器的多尺度推理算法，只处理可能包含细节或小物体的区域，可以得到 47.9%（50% 重叠时的 68.3%）的 mAP，比 RetinaNet 多 10% 的 mAP。

Dec, 2018

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

在目标检测中，为了应对尺度变化的挑战，金字塔特征表示是一种常见的做法。本文提出了一种新颖且数据驱动的策略 - 自适应空间特征融合（ASFF），通过学习如何空间过滤冲突信息来抑制不一致性，从而提高特征的尺度不变性。通过该策略与 YOLOv3 的结合，在 MS COCO 数据集上取得了最佳的速度 - 精度平衡。

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

使用参数反转图像金字塔网络（PIIP）进行多尺度特征提取，在计算效率和性能之间取得平衡，并通过特征交互机制有效整合不同空间尺度的信息，在对象检测、分割和图像分类等任务中相较于传统图像金字塔方法和单一卷积网络，降低了计算成本且取得更好的性能表现。

Jun, 2024

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

本研究主要探讨了特征金字塔与金字塔卷积在计算机视觉和目标检测中的应用，提出了一种可提高性能的尺度均衡金字塔卷积模块，并展示了其在单阶段和双阶段目标检测器上的优越表现.

May, 2020