MASK-RCNN中也有PAN(Path Aggregation Network)，
一、FPN
如下圖conv5、conv4、conv2&3，分別對應高層、中層、底層特征，這里將其特征融合得到M5、M4、M3、M2特征圖最終得到的P2-5等特征圖可以用於預測。
FPN就是這樣，自頂向下的模式，將高層特征傳下來。而底層特征卻無法影響高層特征，並且FPN中的這種方法中，頂部信息流往下傳，是逐層地傳，計算量比較大。PAN解決了這一問題。
二、PANet
PANet引入了自底向上的路徑，使得底層信息更容易傳遞到高層頂部。左邊圖(a)，V3中講過，特征融合，featureMap越小，感受野越大；可能要走例如100層，才能遍歷玩ResNet。現在加入要將底層特征傳遞到特征圖頂部，如圖a紅線，如果是采用上述FPN算法，可能要走很多層，增加了很多計算量。而PANet采用的是：在進行自頂向下的特征融合后（實際上，PANet無論是bottom-top，還是top-bottom進行特征信息傳遞，都是在“從原始網絡中提取低、中、高層特征圖之后”，進行的），然后再進行自下向頂（這里遍歷的最終的特征圖P2-5，而不是原始100多層特征圖）的特征融合，如圖(b)綠色線條，這樣特征傳遞需要“穿越”的特征圖數量大大減少，幾層就到了。
下圖，中間（第二列）表示top-bottom信息傳遞，右邊（第三列）表示bottom-top信息傳遞。
YOLOV4對PAN(PANet)還有一點小改進，使用張量連接(concat)代替了原來的捷徑連接(shortcut connection，殘差連接里面有)。YOLOV4中再特征融合時不是加法，而是特征堆疊。
