文章目录一、特征融合介绍(1)早期融合(2)晚融合：
一.特征融合介绍
特征融合的目的是将从图像提取的特征合并为比输入图像的特征更有判别能力的特征。
在众多工作中，融合不同尺度的特征是提高分割性能的重要手段。 低层特征分辨率更高，包含更多的位置、细节信息，但由于卷积更少，其语义性更低，噪声更多。 高层特征具有更强的语义信息，但分辨率低，对细节的感知能力差。 如何有效融合两者、发挥优势、摒弃无谓的住宿是改善分割模式的关键。
很多工作通过融合多层来提高检测和分割的性能，根据融合和预测的优先顺序分为早期融合(Early fusion )和后期融合(Late fusion )。
针对深度特征融合—高低层特征融合，总结探讨了4种方法。
(1)早期融合)经典特征融合方法)在现有网络(如VGG19 )中，用concat或add融合其中的某一层；
FCN、Hypercolumns—add
无外联网(ion )、永久、以太网—concat
变种：用DCA特征融合方法代替concat和add操作；
(2)晚融合) 2.1 )运用特征金字塔网络(FPN )等思想融合特征进行预测。 (FPN一般用于目标检测，提高小目标检测能力)三个变种：
1.YOLO2方法，除了仅在金字塔的顶层路径的底层进行预测外，还包括u-net [ 31 ] andsharpmaskforsegmentation，recombinatornetworksforfacedetection
2.YOLO3方法在金字塔各层进行预测
3.FSSD方法，精细改造FPN
) 2.2 ) feature不融合，多尺度feture分别进行预测，然后如SSD、多尺度CNN、ms-CNN等
)3)将Densenet等常用网络替换为具有高度特征融合能力的网络；
)4)不进行高低层特征融合，在预测上层特征的基础上，利用下层特征进行预测结果的调整
两种经典特征的融合方法：
) concat )系列特征融合，直接连接两个特征。 设两个输入特征x和y维数为p和q，则输出特征z的维数为p q；
(2) add )并行策略，将这两个特征向量组合为复向量，其中对于输入特征x和y，z=x iy，其中I为虚数单位。