---
title: "特徵金字塔網路（Feature Pyramid Network）"
slug: feature-pyramid-network
language: zh-TW
source: https://aiterms.tw/terms/feature-pyramid-network
updated_at: 2026-07-29
tags: [深度學習, 電腦視覺, 神經網路, 特徵工程, 模型評估, AI應用]
ipas_term: false
---

# 特徵金字塔網路（Feature Pyramid Network）

> **你有沒有看過照片裡的小物件很難抓，但大物件又很容易抓到？**
>
> 你可以把特徵金字塔網路想成把不同大小的觀察視角接在一起，讓模型同時看得到大目標和小目標。
>
> 它重要，是因為真實世界裡的物件大小差很多，只靠單一尺度常常會漏掉小東西。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆
> **特徵金字塔網路 vs 單一尺度特徵圖**
> 單一尺度只看一層特徵，處理大物件通常比較順。
> FPN 會把不同層級的資訊融合，對小物件更友善。
>
> **特徵金字塔網路 vs 物件偵測**
> 物件偵測是任務。
> FPN 是幫物件偵測變強的一種架構設計。

### 記住這句就好
> 大小都要看見，FPN 就是在補這個缺口。

### 實際案例
> **交通攝影**
> 遠處的小車牌和近處的大巴士在同一張圖裡，FPN 能讓模型同時照顧不同尺度。
>
> **醫療影像**
> 病灶有時很小又不明顯，多尺度特徵能提高找到微小異常的機會。

### 算法與應用
> 它會做自上而下的語義傳遞，再搭配橫向連接，把高層語義和低層細節融合起來。
> 這種設計常被放進物件偵測框架中，用來提升多尺度目標的表現。

### FPN 的三個結構

> 卷積網路越往深層，語意越強但解析度越低。淺層看得清楚卻不知道那是什麼，深層知道是什麼卻定位不準。小物體在深層特徵圖上可能只剩一兩個像素，直接消失。
>
> FPN 用三個結構把兩邊的優點合起來。
>
> **由下而上（bottom-up）。** 就是原本骨幹網路的前向傳播，逐層縮小解析度、加深語意。每個階段的最後一層輸出被留下來備用。
>
> **由上而下（top-down）。** 從最深、語意最強的那層開始，逐層上採樣放大解析度，把強語意往回帶。
>
> **橫向連接（lateral connection）。** 每一層上採樣之後，跟由下而上對應解析度的那一層相加。前者提供語意，後者提供精確位置。
>
> 結果是產生一組解析度不同、但每一層語意都很強的特徵圖。大物體用低解析度那層偵測，小物體用高解析度那層，各司其職。

### 為什麼它變成標準配備

> FPN 之前的做法有三種，各有明顯代價。
>
> 只用最後一層特徵：快，但小物體偵測很差。
>
> 影像金字塔（把原圖縮放成好幾種尺寸各跑一次）：準，但計算量是好幾倍。
>
> 直接用各層特徵各自預測：不用額外算，但淺層語意太弱，效果有限。
>
> FPN 的價值在於幾乎不增加計算量就拿到多尺度的強語意特徵。它是一個附加結構，可以接在任何骨幹網路後面，所以 Faster R-CNN、Mask R-CNN、RetinaNet 以及 YOLO 的較新版本都採用了這個設計或它的變體（PANet、BiFPN）。
>
> 判斷要不要用：任務裡物體大小差異大就一定要用。物體尺寸固定（例如固定距離拍攝的產線檢測）則未必划算。

### 情境判斷
> **Q1：如果你要偵測停車場裡從遠到近的各種車輛，FPN 有幫助嗎？**
> → 有，因為物件大小差異大，FPN 可以讓模型同時處理不同尺度。
>
> **Q2：如果場景裡所有目標大小都差不多，FPN 就完全沒價值嗎？**
> → 不一定，還是可能幫助特徵整合，但它的最大優勢通常在尺度差異明顯的場景。

### 常見問題
> **Q：FPN 一定要搭配物件偵測嗎？**
> 主要是，但任何需要多尺度表徵的任務都可能受益。
>
> **Q：FPN 跟金字塔池化是一樣嗎？**
> 不一樣，兩者都處理多尺度，但融合方式不同。
>
> **Q：橫向連接在做什麼？**
> 它把高層語義和低層細節接起來，讓每一層都更完整。
>
> **Q：FPN 會不會讓模型變重？**
> 會增加一些計算，但通常換來更好的多尺度偵測效果。

### 相關術語
> - **物件偵測**：FPN 最常出現的應用場景就是它。
> - **卷積神經網路**：FPN 是在 CNN 特徵圖基礎上做融合。
> - **錨框**：多尺度特徵和不同大小錨框常一起使用。
> - **邊界框偵測**：最終框選結果要靠它完成。
> - **非極大值抑制**：多個候選框最後要靠它去重。

---

來源：https://aiterms.tw/terms/feature-pyramid-network
快查頁：https://aiterms.tw/terms/feature-pyramid-network
最後更新：2026/07/29
深度解說：https://aiterms.tw/learning/what-is-feature-pyramid-network