通过较浅层的预测与来自较深层的细化输出对齐，使模型更早的加速收敛，提高整体性能。主流目标检测中，边框回归预测真值框的任务，受到本身回归公式的约束，将边界框边缘视为精确且固定的，使定位不确定性难以建模，必须通过L1损失和IOU损失函数对边缘预测的结果进行指导，在这个过程中收敛缓慢且性能不佳。对于边框回归，引入细粒度分布细化（FDR），将边界框回归从预测固定坐标转换为建模概率分布，从而提供更细粒度的中

特征金字塔架构的提出是为了解决尺度变化的问题，图像中物体真正有用的特征在顶部最高层需要通过多个中间尺度传播，并与这些尺度的特征交互，才能与底部的低层特征融合，便是最常见的是物体特征在缩放时丢失的细节信息，以经典的FPN网络为例，存在高层特征里面低层特征细节不足的问题。而在不同尺度的特征交互，可以避免传输中的信息丢失或退化，但是在特征融合中，逐元素求和不是一种有效的方法，因为不同级别之间在某个位置可

判断点在直线的左侧和右侧的方法及其原理

```pythonimport sysclass Point:def __init__(self,x,y,z):self.x = xself.y = yself.z = ztest1 = {"x":1,"y":2,"z":3}test2 = [1,2,3]test3 = Point(1,2,3)test4 = (1,2,3)print("test1占用内存:",sys.getsizeof(test