目录
一、PAnet介绍
PANet（Path Aggregation Network）是一种用于目标检测的神经网络模型，由谢正辉等人于2018年提出。其旨在解决目标检测模型在处理小目标和遮挡目标时的性能问题。
PANet 的设计思想在于引入了一种路径聚合机制，以更好地捕获和整合多尺度信息。在传统的目标检测模型中，如 Faster R-CNN，多尺度特征的处理通常采用金字塔结构或特征融合的方式。PANet 通过引入自上而下和自下而上的路径聚合，有效利用不同层次的特征图，使得模型能够更好地适应不同尺度目标和场景。
PANet论文：
https://arxiv.org/abs/1803.01534
二、PAnet结构
PANet的结构解析图：
PANet 包含两个主要的模块：
-
自上而下的路径聚合模块（PA）： 该模块从较低分辨率的特征图开始，通过上采样操作逐层向上传递信息。在每个层级，低分辨率特征图与高分辨率特征图进行横向连接和逐点加法操作，以整合不同尺度的信息。
-
自下而上的路径聚合模块（PAM）： 该模块从高分辨率的特征图开始，通过下采样操作逐层向下传递信息。同样，在每个层级，高分辨率特征图与低分辨率特征图进行横向连接和逐点加法操作。
这两个路径聚合模块相互协作，构成了 PANet 的核心结构。通过这种设计，PANet 能够更好地整合不同尺度的特征信息，提高了目标检测模型对小目标和遮挡目标的检测性能。
值得注意的是，PANet 的设计结构提供了一种通用的多尺度信息聚合方法，可用于各种基于CNN的目标检测模型，并在许多竞赛和实际应用中取得了良好的效果。
三、在yolov4PAnet的改进：
