分别说说你对 FPN (Feature Pyramid Network) 和 PANet (Path Aggregation Network) 的理解
FPN (Feature Pyramid Network) 和 PANet (Path Aggregation Network) 都是用于计算机视觉任务中的特征金字塔结构，特别是在目标检测和分割任务中有着广泛的应用。它们的设计目的是为了更好地处理不同尺度的目标。
FPN (Feature Pyramid Network)
FPN 是由 Lin 等人在 2017 年提出的，旨在解决多尺度目标检测问题。其核心思想是通过构建一个自上而下的特征金字塔，将高层次的语义信息与低层次的空间信息结合起来，从而提高对小目标的检测能力。
主要特点：
自上而下的路径 ：从最顶层的特征图开始，逐步向下传递高层次的语义信息。
横向连接 ：在每个层级上，将自上而下的特征图与自下而上的特征图进行融合，通常使用逐元素相加的方式。
平滑操作 ：在每个层级上，通常会使用 3x3 的卷积层来减少上采样带来的混叠效应。
结构示意图：
+----------------+
|C5 (高语义)|
+----------------+
||
v
+----------------+
|P5|
+----------------+
||
v
+----------------+
|C4|
+----------------+
||
v
+----------------+
|P4|
+----------------+
||
v
+----------------+
|C3|
+----------------+
||
v
+----------------+
|P3|
+----------------+
PANet (Path Aggregation Network)
PANet 是由 Liu 等人在 2018 年提出的，它在 FPN 的基础上进一步优化了特征金字塔的结构，以提高目标检测的性能。PANet 引入了一个自下而上的路径增强机制，使得低层次的特征也能更好地利用高层次的语义信息。
主要特点：
自上而下的路径 ：继承了 FPN 的自上而下的路径，用于传递高层次的语义信息。
自下而上的路径增强 ：在 FPN 的基础上，增加了一个自下而上的路径，使得低层次的特征也能更好地利用高层次的语义信息。
多尺度融合 ：通过多个路径的融合，使得特征图在不同尺度上都能获得丰富的信息。
结构示意图：
+----------------+
|C5 (高语义)|
+----------------+
||
v
+----------------+
|P5|
+----------------+
||
v
+----------------+
|C4|
+----------------+
||
v
+----------------+
|P4|
+----------------+
||
v
+----------------+
|C3|
+----------------+
||
v
+----------------+
|P3|
+----------------+
||
v
+----------------+
|P6|
+----------------+
||
v
+----------------+
|P7|
+----------------+
||
v
+----------------+
|N3|
+----------------+
||
v
+----------------+
|N4|
+----------------+
||
v
+----------------+
|N5|
+----------------+