我最近阅读了RetinaNet的论文，但仍未理解一个小细节：
我们从FPN（P2,…P7）获得了多尺度特征图。
然后，两个FCN头部（分类头和回归头）分别对每个特征图进行卷积。
然而，每个特征图的空间尺度不同，那么，分类头和回归头如何在所有卷积参数固定（例如3×3滤波器，步长为1等）的情况下保持固定的输出体积呢？

在查看PyTorch对RetinaNet的实现中的这一行时，我看到头部只是对每个特征进行卷积，然后以某种方式堆叠所有特征（它们唯一的共同维度是通道维度，为256，但在空间上它们是彼此的两倍）。
我很想知道它们是如何组合的，我没能理解这一点。

回答：

在每个金字塔步骤的卷积之后，你将输出重塑为形状(H*W, out_dim)（对于分类头，out_dim是num_classes * num_anchors，对于bbox回归器是4 * num_anchors）。最后，你可以沿着H*W维度连接生成的张量，现在这是可能的，因为所有其他维度都匹配，并且你可以像在具有单一特征层的网络上一样计算损失。