将图片进行不同尺度的缩放，得到图像金字塔，然后对每层图片提取不同尺度的特征，得到特征图。一幅图像的金字塔是一系列以金字塔形状排列的分辨率逐步降低，且来源于同一张原始图的图像集合。其通过梯次向下采样获得，直到达到某个终止条件才停止采样。我们将一层一层的图像比喻成金字塔，层级越高，则图像越小，分辨率越低。
特点：不同尺度的特征都可以包含很丰富的语义信息，精度高 ，但速度慢。
conv-3的低网络层，有更小的感受野，获取的是低层信息，对小目标的提取能力更好；而高层如conv-5，获取的是高层语义信息，对于大目标的检测更加准确。对于不同的输出层设计不同尺度的目标检测器，完成多尺度下的检测问题。卷积网络不同层得到的特征特点的不同，对不同层的特征采用不同的利用方式。
FPN网络最开始是为目标检测而设计的，在之前的目标检测网络中通常是使用顶层特征做预测，但是低层语义信息少，对小目标检测不准确；后来有网络采用多尺度信息融合的方式，用融合后的特征做预测。FPN的特殊之处在于预测是在不同特征层独立进行的。
（a）图像金字塔，即将图像做成不同的scale，然后不同scale的图像生成对应的不同scale的特征。这种方法的缺点在于增加了时间成本。有些算法会在测试时候采用图像金字塔。
（b）像SPP net，Fast RCNN，Faster RCNN是采用这种方式，即仅采用网络最后一层的特征。
（c）像SSD（Single Shot Detector）采用这种多尺度特征融合的方式，没有上采样过程，即从网络不同层抽取不同尺度的特征做预测，这种方式不会增加额外的计算量。作者认为SSD算法中没有用到足够低层的特征（在SSD中，最低层的特征是VGG网络的conv4_3），而在作者看来足够低层的特征对于检测小物体是很有帮助的。
（d）本文作者是采用这种方式，顶层特征通过上采样和低层特征做融合，而且每层都是独立预测的。
