1、特征融合的定义
特征融合方法是模式识别领域的一种重要的方法，计算机视觉领域的图像识别问题作为一种特殊的模式分类问题，仍然存在很多的挑战，特征融合方法能够综合利用多种图像特征，实现多特征的优势互补，获得更加鲁棒和准确性的识别结果。
2、特征融合的分类
按照融合和预测的先后顺序，分类为早融合和晚融合（Early fusion and Late fusion）
早融合（Early fusion）：就是在特征上进行融合，进行不同特征的连接，输入到一个模型中进行训练。（先融合多层的特征，然后在融合后的特征上训练预测器，只有在完全融合之后，才进行检测。）这类方法也被称为skip connection,即采用concat、add操作。这一思路的代表是Inside-Outside Net (ION)和HyperNet.
两个经典的特征融合的方法：
（1）concat：系列特征融合，直接将连个特征进行连接。两个输入特征x和y的维数若为p和q，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成复合向量，对于输入特征x和y，z=x+iy，其中i是虚数单位。
晚融合（Late fusion）：指的是在预测分数上进行融合，做法就是训练多个模型，每个模型都会有一个预测分数，我们对所有模型的结果进行融合，得到最后的预测结果。（通过结合不同层的检测结果改进检测性能，尚未完成最终融合之前，在部分融合的层上就开始检测，会有多层的检测，最终将多个检测结果进行融合）。
这一类研究思路的代表有两种：
（1）feature不融合：多尺度的feture分别进行预测，然后对预测结果进行综合，如Single Shot MultiBox Detector(SSD),Multi-scale CNN(MS-CNN).
注意：SSD，全称Single Shot MultiBox Detector，是Wei Liu在ECCV 2016上提出的一种目标检测算法，截至目前是主要的检测框架之一，相比Faster RCNN有明显的速度优势，相比YOLO又有明显的mAP优势（不过已经被CVPR 2017的YOLO9000超越）。
MS-CNN：cNN多尺度
（2）feature进行金字塔融合，融合后进行预测，如Feature Pyramid Network(FPN)等
注意：FPN全称是Feature Pyramid Network, 也就是特征金字塔网络，主要是针对图像中目标的多尺度的这个特点提出的，多尺度在目标检测中非常常见，而且对应不同的问题应该设计不同的FPN。
3、深度特征融合和高低层特征融合的方法
（1）早融合，用经典的特征融合的方法 ，在现有的网络（如VGG19）中，用concat或add融合其中的某几层。
变种：用DCA特征融合方法替代concat和add操作。
（2）晚融合，采用类似特征金字塔网络（FPN）的思想，对特征融合进行预测。（ＦＰＮ一般用于目标检测，提高小目标检测能力）。
三个变种：
- YOLO2的方法，只在金字塔的top-down路径的最后一层进行预测，此外还有 U-Net [31] and SharpMask for segmentation, Recombinator networks for face detection, and Stacked Hourglass networks for keypoint estimation；
- YOLO3的方法，在金字塔的每一层都进行预测；
- FSSD的方法，对 FPN进行细微改造；
feature不融合，多尺度的feature分别进行预测，然后对预测结果进行综合。
（3）用一个具有高低特征融合能力的网络代替普通的网络，如Densenet。
（4）不进行高低层特征融合，而是在高层特征预测的基础上，再用底层特征进行预测结果的调整。
4、DCA特征融合的方法
特征融合的目的，是把从图像中提取的特征，合并成一个比输入特征更具有判别能力的特征。
基于CCA（典型关联分析）的融合方法，就是使用两个输入特征间的相关关系，计算两种变换后的特征比输入的两个特征集具有更高的相关性。CCA的主要不足，在于忽略了数据集中类结构间的关系，所以将每组特征中类分开，为了解决CCA的弱点，引入了DCA。DCA最大化两个特征及中对应特征的相关关系，同时最大化不同类之间的差异。
5、改进的SSD目标检测算法（DeseNet）
改进在于使用Dense net代替原始SSD结构中的VGG，以提高目标检测准确性，改进后的SSD网络对小物体产生很好的拟合。
DeseNet（密集卷积网络）
6、FPN（特征金字塔）
特征金字塔是识别不同尺度的目标时常用的结构，但是特征金字塔需要较大的计算量和显存，所以为了解决这一问题，开发了一种构建特征金字塔的新方法，可以减少额外的对计算量和显存的消耗。
7、YOLO
YOLOv2网络结构中有一个特殊的转换层（Passthrough Layer），假设最后提取的特征图的大小是1313，转换层的作用就是将前面的2626的特征图和本层的1313的特征图进行堆积（扩充特征维数据量），而后进行融合，再用融合后的特征图进行检测。这么做是为了加强算法对小目标检测的精确度。为达更好效果，YOLOv3将这一思想进行了加强和改进。
YOLO v3采用（类似FPN）上采样和融合做法，融合了3个尺度（13x13、26X26和52x52），在多个尺度的融合特征图上分别独立做检测，最终对于小目标的检测效果提升明显。（有些算法采用多尺度特征融合的方式，但是一般是采用融合后的单一特征图做预测，比如YOLOv2，FPN不一样的地方在于其预测是在不同特征层进行的。）