小目标检测（目标尺寸通常 < 32×32 像素）：小目标特征微弱、易被下采样丢失、与背景混淆、密集场景遮挡严重。
关键思路：保留高分辨率细节 + 多尺度融合 + 领域适配

FPN（Feature Pyramid Network）深度解析

CVPR 2017 经典工作 | 解决CNN多尺度检测的核心结构 | 小目标检测的里程碑
概括: “用高层语义信息增强低层细节，构建语义强 + 分辨率高的多尺度特征金字塔”
（传统CNN：浅层细节多但语义弱，深层语义强但分辨率低 → FPN融合二者优势）

【任务分析】

1. 图像中存在不同尺寸的目标，而不同的目标具有不同的特征，利用浅层的特征就可以将简单的目标的区分开来；利用深层的特征可以将复杂的目标区分开来；这样我们就需要这样的一个特征金字塔来完成这件事
2. 整个过程是先对原始图像构造图像金字塔，然后在图像金字塔的每一层提出不同的特征，然后进行相应的预测

由于FPN是一个特征金字塔，具有很好地泛化能力，可以利用到很多利用深度学习网络的方法中去，包括目标检测、实例分割等。
实测效果：在COCO小目标（area<32²）检测中，Faster R-CNN + FPN 比原版AP提升12.1%（论文数据）
🌐 后续演进（扩展知识）
PANet：在FPN基础上增加自底向上路径（增强浅层到深层的信息流）→ YOLOv4/v5采用
BiFPN（EfficientDet）：可学习权重的双向FPN + 跨尺度连接 → 当前SOTA多尺度结构
NAS-FPN：神经架构搜索自动设计融合路径