在功能金字塔网络（paper）中，获取任何CNN的最后一层（例如ResNet-101），并针对P5，P4和P3用2,4和6上采样。为了允许细粒度的特征图，将来自ResNet-101中先前各层的横向连接连接在一起。
在RetinaNet（paper）中，还有2个金字塔层，即P6，它是通过在最后一个转化上应用3x3滤镜来构造的。通过在P6上应用3x3滤镜（步距均为2），在ResNet-101和P7中添加层。
所有要素金字塔层都通过1个分类子网和1个边界框子网传播，它们共享所有要素金字塔的权重。
由于P6和P7具有更大的接受域，分类子网是分别为每个金字塔层接受最大的接受域还是接受域？
最佳答案
我会单独说。要素金字塔的重点是在每个比例尺上使用要素。
关于machine-learning - 特征金字塔网络接受场，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/51786949/