自上而下路徑是實現(xiàn)語義信息傳遞的關(guān)鍵，其核心是將深層高語義特征圖通過上采樣（通常為 2 倍插值）提升至與淺層特征圖相同的分辨率，使深層語義能夠 “滲透” 到淺層。例如，C5（25×25）首先經(jīng)過 1×1 卷積調(diào)整通道數(shù)（如從 2048 通道降至 256 通道，降低計算量并統(tǒng)一后續(xù)融合的通道維度），再通過 2 倍上采樣生成與 C4（50×50）分辨率一致的特征圖 P5'；接著，P5' 與經(jīng)過同樣通道調(diào)整的 C4 特征圖進(jìn)行融合，生成新的特征圖 P4；隨后，P4 再經(jīng)過上采樣與通道調(diào)整后的 C3 融合生成 P3，以此類推，最終生成一組分辨率從 25×25 到 200×200（對應(yīng) P5 至 P3）的融合特征圖，構(gòu)成完整的特征金字塔。這一路徑的創(chuàng)新在于打破了傳統(tǒng)特征提取中 “層級割裂” 的局限，使淺層特征圖在保留細(xì)節(jié)的同時，獲得了深層特征的語義支持，從而具備區(qū)分小目標(biāo)類別的能力。

橫向連接（Lateral Connection）是確保特征融合有效性的核心設(shè)計，其作用是 “對齊” 深層上采樣特征與淺層原始特征的維度與信息分布，避免融合過程中細(xì)節(jié)信息被語義信息掩蓋。在 FPN 中，橫向連接并非簡單的特征疊加，而是先對淺層原始特征圖（如 C4）進(jìn)行 1×1 卷積操作，將其通道數(shù)調(diào)整為與上采樣后的深層特征圖（如 P5'）一致（如均為 256 通道），消除通道維度差異導(dǎo)致的融合偏差；同時，1×1 卷積還能對淺層特征進(jìn)行 “語義增強”，過濾冗余細(xì)節(jié)信息，使淺層特征與深層特征的語義分布更匹配。調(diào)整后的淺層特征與上采樣深層特征通過元素相加（Element-wise Addition）進(jìn)行融合，這種融合方式既能保留淺層特征中對小目標(biāo)定位至關(guān)重要的細(xì)節(jié)（如邊緣坐標(biāo)），又能注入深層特征中對類別判斷關(guān)鍵的語義（如 “是否為行人” 的特征），最終生成的融合特征圖（如 P4）實現(xiàn)了 “細(xì)節(jié)精準(zhǔn) + 語義明確” 的雙重優(yōu)勢。

FPN 的技術(shù)優(yōu)勢在多尺度視覺任務(wù)中表現(xiàn)得尤為突出，其核心競爭力體現(xiàn)在 “特征利用率”“多尺度適配性” 與 “泛化能力” 三個維度。在特征利用率方面，FPN 通過多路徑融合，充分利用了基礎(chǔ)網(wǎng)絡(luò)不同層級的特征信息 —— 傳統(tǒng)方法通常僅使用深層特征（如 Faster R-CNN 用 C5）或淺層特征（如早期 SSD 用 C3-C7 但不融合），導(dǎo)致部分信息浪費；而 FPN 將 C2 至 C5 的特征全部納入融合，使每一層特征都能為特定尺度目標(biāo)的感知貢獻(xiàn)價值，特征利用率提升 30% 以上。在多尺度適配性方面，FPN 生成的特征金字塔天然適配不同尺度目標(biāo)的檢測需求：金字塔頂層（P5，25×25）感受野大，適合檢測大目標(biāo)（如 > 200 像素的車輛）；中層（P4，50×50）適合中等目標(biāo)（80-200 像素的行人）；底層（P3，100×100）適合小目標(biāo)（<80 像素的交通標(biāo)志），這種 “分層適配” 策略使小目標(biāo)檢測精度較傳統(tǒng)方法提升 20%-40%，解決了長期困擾多尺度檢測的 “小目標(biāo)漏檢” 難題。