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

本文研究了目前的特征金字塔设计，并将特征金字塔构建重新定义为特征重构过程，提出了一种全新的重构架构，该架构能够在全局和局部范围内对不同尺度的任务相关特征进行收集，并且能够在不失实时处理速度的情况下，与基本 SSD 系统相比，显著提高了模型的性能。

Aug, 2018

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

本文提出了一种新的视角，即通过高级语义特征检测任务来检测对象，通过卷积实现中心和比例预测来简化行人和人脸检测，使其无需使用窗口分类器或基于锚箱的预测方式，并展现了在多项挑战性基准测试中具有竞争力的准确性以及卓越的泛化能力。

Apr, 2019

通过提出一种新的单次检测框架 BPN，采用双向金字塔特征结构和级联锚点细化，实现了更精确的目标检测，提高了单级物体检测器在 PASCAL VOC 和 MS COCO 数据集上的性能，特别是在高质量检测方面。

Mar, 2018

本篇研究提出一种新型的 RCNet 架构，由 Reverse Feature Pyramid (RevFP) 和 Cross-scale Shift Network (CSN) 组成，用于多尺度特征融合，在 MS COCO 测试集中证明 RCNet 能够显著提高 RetinaNet 等检测器的精度

Oct, 2021