语义分割 PAN Pyramid Attention Network for Semantic Segmentation FCN作为backbone的结构对小型目标预测不佳，论文认为这存在两个挑战。 物体因为多尺度的原因，造成难以分类。针对这个问题，PSPNet和DeepLab引入了PSP和ASPP模块引入多尺度信息。论文引入了像素级注意力用于帮助提取精准的high-level 特征。**h

PANet（Path Aggregation Network）是一种用于语义分割任务的神经网络结构，旨在解决多尺度特征融合的问题。该网络结构由中国科学院计算技术研究所提出，在2018年的论文中首次提出。 PANet的主要目标是解决语义分割任务中多尺度信息的融合问题，以便更好地捕获对象的上下文信息和细节信息。PANet采用了自底向上和自顶向下的信息传递机制，并引入了一种路径聚合模块（Path Ag

前言 最近论文快deadline了，一直没空更新…今天复习一下多尺度特征融合的常用操作。 1. FPN 特征金字塔 论文：feature pyramid networks for object detection 论文链接 设计思路： 底层的特征语义信息比较少，但是目标位置准确。高层的特征语义信息比较丰富，但是目标位置比较粗略。 模型设计：自底向上Bottom-up，自顶向下Top-d

PANet Few-Shot Image Semantic Segmentation with Prototype Alignment 论文理解 解决什么问题本文创新点\贡献前人方法本文IDEA来源方法方法概述AlignmentPrototype learningNon-parametric metric learningPrototype alignment regularization

Path Aggregation Network for Instance Segmentation 用于实例分割的路径聚合网络 Shu Liu, Lu Qi, Haifang Qin, Jianping Shi, Jiaya Jia 论文：Path Aggregation Network for Instance Segmentation 代码：https://github.com/ShuLi

PANet论链接 PANet介绍 这篇文章提出的Path Aggregation Network (PANet)整体上可以看做是在Mask RCNN上做多处改进，充分利用了特征融合： 引入bottom-up path augmentation结构，充分利用网络浅特征进行分割。引入adaptive feature pooling使得提取到的ROI特征更加丰富。引入fully-connected