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

本文通过扩大特征金字塔网络（FPN）的感受野来增强空间信息，从而提高目标检测精度，提出了一种新的动态 FPN（DyFPN）方法，它可以通过适应性选择分支进行动态计算，以在维持高性能的情况下更有效地利用计算资源。实验证明，与基准模型相比，采用 DyFPN 可以以更少的计算量获得相似的高性能。

Dec, 2020

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

本研究提出一种 fine-grained dynamic head 方法，结合 Feature Pyramid Network（FPN）和 spatial gate 的机制实现多尺度特征的表示，进一步提高了物体检测的效率和精确度。

Dec, 2020

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

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

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

本文提出了一种称为多级特征金字塔网络（MLFPN）的方法，通过融合多级特征从而构建更有效的特征金字塔用于检测不同尺度的对象，并且将 MLFPN 集成到 SSD 中构建了名为 M2Det 的一阶段强大的端到端对象检测器，在 MS-COCO 基准测试中以单尺度推理策略实现了 AP 41.0，以多尺度推理策略实现了 AP 44.2，这是一阶段检测器中的新的最佳结果。

Nov, 2018

本文分析了在小目标检测过程中，FPN 相邻层之间的自上而下连接产生的双向影响，并提出了一个新的概念 “融合因子”，用于控制深层传递给浅层的信息，以适应小目标检测。我们使用统计方法估计了特定数据集的有效融合因子值，从而在 TinyPerson 和 Tiny CityPersons 数据集上获得显著的性能提升。

Nov, 2020