Machine learning 特征金字塔网络感受野

在特征金字塔网络（）中，任何CNN的最后一层（例如，ResNet-101）都会被提取，并对P5、P4和P3进行2、4和6的上采样。为了实现细粒度特征映射，将来自ResNet-101中先前层的横向连接连接起来

在RetinaNet（）中还有两个金字塔层，P6是通过在ResNet-101和P7中的最后一个conv.层上应用3x3过滤器构建的，P6是通过在P6上应用3x3过滤器构建的，两者的步幅均为2

所有特征金字塔层通过1个分类子网和1个边界框子网传播，它们共享所有特征金字塔的权重

由于P6和P7具有更大的感受野，分类子网是采用最大的感受野还是采用每个金字塔层的感受野

---

我想单独说。功能金字塔的全部要点是在每个尺度上使用功能。

我投票将这个问题作为离题题来结束，因为它与编程或实现无关。我也这么说，但从论文中看不太清楚。我试图深入研究Tensorflow对象检测API以及几个Keras RetinaNet实现，但没有一个给出太多信息。