4 实验
4.1 MS COCO 2017实验结果
i-FPN的表现远远优于原始FPN。i-FPN提高了平均AP +3.4(RetinaNet)、+3.2(Faster RCNN)、+3.5(FCOS)、+4.2(ATSS)、+3.2(AutoAssign)。
下图为在COCO2017-val数据集的几个示例图像，显示了使用FPN和i-FPN获得的特征映射之间的比较结果：
可以很容易地发现FPN产生的特征图是有限的接受野。相比之下，i-FPN获得的特征图具有全局感受野，并且与FPN获得的相同级别的特征相比，其关注的兴趣区域相对较大。
4.2 消融实验
两种不同求解器的影响
对于展开解算器，当一次迭代展开权重共享块时，i-FPN达到41.2，AP提升了2.4%。将展开迭代从1增加到2可以进一步提高框AP 1.2%。如果继续增加迭代，就会得到较少的改进。
集成不同组件的影响
跨尺度连接设计
类残差迭代的影响
4.3 State-of-the-art模型比较
参考
[1].Implicit Feature Pyramid Network for Object Detection
