改进YOLO系列：YOLOv5结合跨局部连接，实现多尺度特征融合，测试有效涨2个点

一、前言

PANet[1]最大的贡献是提出了一个自顶向下和自底向上的双向融合骨干网络，同时在最底层和最高层之间添加了一条“short-cut”，用于缩短层之间的路径。PANet还提出了自适应特征池化（Adaptive Features Pooling）和全连接融合（Fully-connected Fusion）两个模块。其中自适应特征池化可以用于聚合不同层之间的特征，保证特征的完整性和多样性，而通过全连接融合可以得到更加准确的预测mask。

PANet采用的是R-CNN系列Two-Stage检测模型，在分类和分割部分的网络结构也有些许差异，下面我们结合代码对PANet进行详细的分析。

PANet

PANet的网络结构如图1所示，它由5个核心模块组成。其中(a)是一个FPN[2]，(b)是PAN增加的自底向上的特征融合层，（c)是自适应特征池化层，(