特征融合FFM（FeatureFusionModule）特征融合模块
科普书FFM(Feature Fusion Module) 特征融合模块
鸭妈妈简笔画像FPN, FCN等都属于特征融合
酸性溶液在深度学习的很多⼯作中（例如⽬标检测、图像分割），融合不同尺度的特征是提⾼性能的⼀个重要⼿段。低层特征分辨率更⾼，包含更多位置、细节信息，但是由于经过的卷积更少，其语义性更低，噪声更多。⾼层特征具有更强的语义信息，但是分辨率很低，对细节的感知能⼒较差。如何将两者⾼效融合，取其长处，弃之糟泊，是改善分割模型的关键。
说谎的歌词很多⼯作通过融合多层来提升检测和分割的性能，按照融合与预测的先后顺序，分类为早融合(Early fusion)和晚融合(Late fusion)。
早融合(Early fusion): 先融合多层的特征，然后在融合后的特征上训练预测器（只在完全融合之后，才统⼀进⾏检测）。这类⽅法也被称为skip connection，即采⽤concat、add操作。这⼀思路的代表是Inside-Outside Net(ION)和HyperNet。两个经典的特征融合⽅法：
富营销（1）concat：系列特征融合，直接将两个特征进⾏连接。两个输⼊特征x和y的维数若为p和q，输出特征z的维数为p+q；
世界杯几点开始（2）add：并⾏策略，将这两个特征向量组合成复向量，对于输⼊特征x和y，z = x + iy，其中i是虚数单位。
晚融合(Late fusion)：通过结合不同层的检测结果改进检测性能（尚未完成最终的融合之前，在部分融合的层上就开始进⾏检测，会有多层的检测，最终将多个检测结果进⾏融合）。这⼀类研究思路的代表有两种：
（1）feature不融合，多尺度的feture分别进⾏预测，然后对预测结果进⾏综合，如Single Shot MultiBox Detector (SSD) ,
感慨的句子
Multi-scale CNN(MS-CNN)红色童谣
（2）feature进⾏⾦字塔融合，融合后进⾏预测，如Feature Pyramid Network(FPN)等。
