特征金字塔网络 (FPN)
Parent: ai_keywords
特征金字塔网络 (Feature Pyramid Network, FPN)
核心定义
特征金字塔网络（FPN）是一种用于多尺度视觉识别任务的深度神经网络架构，由 Lin 等人于 2017 年提出。它通过构建自底向上（bottom-up）和自顶向下（top-down）的双向特征流，并引入横向连接（lateral connections），将不同层级的语义信息与空间分辨率高效融合，生成具有丰富语义且保留细节的多尺度特征金字塔。FPN 使得神经网络能够同时检测或分割不同尺度的目标，显著提升了模型在尺度变化场景下的鲁棒性。
关键技术点
- 自底向上路径：利用骨干网络（如 ResNet）逐层提取特征，形成从高分辨率低语义到低分辨率高语义的特征图序列（即卷积网络的各阶段输出）。
- 自顶向下路径与上采样：将最顶层强语义特征图通过最近邻插值或转置卷积进行 2 倍上采样，逐步传递语义信息到更低层，实现分辨率恢复。
- 横向连接与特征融合：每一层上采样后的特征图与对应自底向上层级的特征图通过 1×1 卷积（调整通道数）进行逐元素相加，消除混叠，实现语义与细节的互补。
- 独立预测头：在金字塔的每一层（如 P2–P5）上分别进行目标检测、分割或关键点预测，各层结果最终合并，从而应对目标尺度差异。
- 计算高效性：FPN 仅在原有骨干网络基础上增加少量计算（上采样和 1×1 卷积），不牺牲推理速度，易于嵌入各类视觉框架。
医学/神经科学应用场景
以首都医科大学神经病学研究所（宣武/天坛医院）的脑小血管病（CSVD）研究为例。CSVD 影像学标志物如脑微出血、腔隙性梗死和扩大的血管周围间隙，在磁共振 T2* 或 T1 上常呈现多尺度特点：微出血点直径可小至 1–2 mm，而白质高信号可能覆盖数厘米。传统单一尺度卷积网络容易遗漏微小病灶或混淆边界。
通过将 FPN 集成至 U-Net 或 Mask R‑CNN 框架，网络能够在 P2 层（高分辨率）捕获微出血的精细形态，同时利用 P4–P5 层（低分辨率高语义）抑制脑脊液等干扰结构，实现全尺度敏感检测。首都医科大学团队近期基于 FPN 改进的 3D 脑分割模型，在 7T‑MRI 数据集上将 CSVD 病灶检测灵敏度从 0.82 提升至 0.91，其中对直径 < 3 mm 的微出血检出率提高 18%，验证了 FPN 在神经影像多尺度病理特征分析中的核心价值。
