在目标检测、图像分割、关键点检测等CV任务中，FPN（特征金字塔网络）是当之无愧的经典基石模块，几乎所有主流模型（YOLO、Mask R-CNN、RetinaNet）都能看到它的身影。

一、核心代码

def forward_fpn(self, c3, c4, c5): # 1. 横向卷积：统一通道、提纯主干特征 l3 = self.lateral_c3(c3) l4 = self.lateral_c4(c4) l5 = self.lateral_c5(c5) # 2. 自顶向下特征融合+平滑 p5 = self.smooth_p5(l5) p5_up = F.interpolate(p5, scale_factor=2, mode='bilinear', align_corners=False) p4 = self.smooth_p4(l4 + p5_up) p4_up = F.interpolate(p4, scale_factor=2, mode='bilinear', align_corners=False) p3 = self.smooth_p3(l3 + p4_up) # 返回三层多尺度特征金字塔 return p3, p4, p5

二、前置基础：C3/C4/C5

主干网络（Backbone）输出的三级特征图，对应不同尺度、不同特征能力，也是FPN的输入原料：

• C3（浅层特征）：分辨率高、细节纹理丰富，擅长识别小目标，但语义信息弱，分不清物体类别

• C4（中层特征）：兼顾细节与语义，适配中等尺寸目标

• C5（深层特征）：经过多次下采样，分辨率最低、细节丢失多，但语义信息极强，擅长识别大目标、判断物体类别

核心痛点：单独用C3/C4/C5任意一层特征，都无法同时识别大、中、小目标。FPN的作用就是取长补短，融合三层特征的优势。

三、FPN整体结构图解

这段代码完整复刻了FPN的三大核心结构：横向连接 + 自顶向下上采样 + 特征融合平滑。下面是精准对应代码、带尺寸倍率的完整FPN结构流程图，完美匹配代码执行逻辑：

c5 (1/32 最大感受野、强语义) → lateral_c5 → l5 → smooth_p5 → p5 (1/32) ↓ upsample ×2 (bilinear) ↓ c4 (1/16 中等尺度) → lateral_c4 → l4 + p5_up → smooth_p4 → p4 (1/16) ↓ upsample ×2 (bilinear) ↓ c3 (1/8 高分辨率、富细节) → lateral_c3 → l3 + p4_up → smooth_p3 → p3 (1/8)

倍率说明：1/8、1/16、1/32 代表特征图相对于原图的下采样倍数，数值越小、分辨率越高，对应目标检测的小、中、大目标检测分支。

四、逐行代码通俗拆解

1. 横向连接：l3、l4、l5 特征预处理

l3 = self.lateral_c3(c3) l4 = self.lateral_c4(c4) l5 = self.lateral_c5(c5)

作用：统一特征通道、提纯有效特征。

主干网络输出的C3/C4/C5通道数各不相同（比如ResNet中C3=512、C5=2048），无法直接相加融合。

这里的lateral_c3/c4/c5都是1×1卷积层，核心功能：

• 统一三层特征的通道数（比如全部统一为256通道）

• 压缩冗余特征，保留核心信息，为后续融合做准备

2. 顶层特征初始化：生成P5

p5 = self.smooth_p5(l5)

C5是主干最深层特征，语义信息最丰富，不需要融合上层特征（本身就是顶层）。

smooth_p5是3×3卷积层，作用是平滑去噪、优化融合后特征，消除上采样带来的锯齿、伪影，让特征更规整，这是FPN的细节优化精髓。

3. 第一次上采样+融合：生成P4

p5_up = F.interpolate(p5, scale_factor=2, mode='bilinear', align_corners=False) p4 = self.smooth_p4(l4 + p5_up)

这是FPN自顶向下融合的核心步骤：

1. 上采样：将顶层强语义特征P5，通过双线性插值放大2倍，分辨率和L4保持一致

2. 特征相加：L4（中层细节特征） + P5_up（高层语义特征），实现细节+语义双向融合

3. 平滑卷积：smooth_p4优化融合后的特征，提升特征鲁棒性

4. 第二次上采样+融合：生成P3

p4_up = F.interpolate(p4, scale_factor=2, mode='bilinear', align_corners=False) p3 = self.smooth_p3(l3 + p4_up)

逻辑和P4完全一致，层层传递融合：

将已经融合好的P4特征再次放大2倍，和浅层L3细节特征相加，让最细分辨率的P3特征，也具备深层语义信息，彻底解决浅层特征“看得清、认不出”的问题。

5. 输出三级特征金字塔

return p3, p4, p5

最终输出的P3、P4、P5，和原始C3/C4/C5一一对应，但性能全面升级：

• P3：高分辨率+丰富细节+语义信息 → 适配小目标检测

• P4：细节与语义均衡 → 适配中等目标检测

• P5：强语义+全局特征 → 适配大目标检测

五、关键参数详解

1. bilinear 双线性插值

FPN默认的上采样方式，相比于最近邻插值，它放大特征图时不会产生锯齿，特征过渡更平滑，精度更高，是CV任务的最优选择。

2. scale_factor=2

每次上采样放大2倍，严格匹配主干网络下采样倍率，保证特征图尺寸完全对齐，才能精准相加融合。

3. align_corners=False

PyTorch官方推荐配置，避免坐标偏移问题，保证上采样后的特征像素位置精准，融合特征不错位。