改进YOLO系列：YOLOv5结合跨局部连接，实现多尺度特征融合，测试有效涨2个点
YOLOv5结合跨局部连接
- 一、前言
-
- PANet
- 二、基于增强式的多尺度特征融合方式。
-
- 1.
- 2. 从增强式特征和上下特征梯度流传递两个方面进行解释
- 三、添加方式
-
- 注意力加入方式
- 建议
一、前言
PANet[1]最大的贡献是提出了一个自顶向下和自底向上的双向融合骨干网络，同时在最底层和最高层之间添加了一条“short-cut”，用于缩短层之间的路径。PANet还提出了自适应特征池化（Adaptive Features Pooling）和全连接融合（Fully-connected Fusion）两个模块。其中自适应特征池化可以用于聚合不同层之间的特征，保证特征的完整性和多样性，而通过全连接融合可以得到更加准确的预测mask。
PANet采用的是R-CNN系列Two-Stage检测模型，在分类和分割部分的网络结构也有些许差异，下面我们结合代码对PANet进行详细的分析。
PANet
PANet的网络结构如图1所示，它由5个核心模块组成。其中(a)是一个FPN[2]，(b)是PAN增加的自底向上的特征融合层，（c)是自适应特征池化层，(