改写：主要解决的问题是目标检测在处理多尺度变化问题是的不足现在的很多网络都使用了利用单个高层特征比如说Faster R-CNN利用下采样四倍的卷积层——Conv4进行后续的物体的分类和bounding box的回归但是这样做有一个明显的缺陷即小物体本身具有的像素信息较少在下采样的过程中极易被丢失为了处理这种物体大小差异十分明显的检测问题经典的方法是利用图像金字塔的方式进行多尺度变化增强但这样会带来

现有的许多网络在处理多尺度变化问题时存在不足，主要解决的问题是目标检测。这些网络通常利用单个高层特征（例如Faster R-CNN使用下采样四倍的卷积层——Conv4）进行物体分类和边界框回归，但这种方法存在一个明显的缺陷，即小物体本身具有的像素信息较少，在下采样的过程中容易丢失。为了解决这种物体大小差异明显的检测问题，经典的方法是利用图像金字塔进行多尺度变化增强，但这会带来极大的计算量。因此，本文提出了一种特征金字塔网络结构，可以在增加极小的计算量的情况下，处理好物体检测中的多尺度变化问题。