该论文介绍了基于深度卷积网络的Feature Pyramid Network（FPN），在目标检测上取得了重大改进。使用FPN的Faster R-CNN系统在COCO检测基准测试中取得了最先进的单模型结果。此外，该方法能够在GPU上以5 FPS的速度运行，是一种实用且准确的多尺度目标检测解决方案。

本文研究了深度卷积网络中混叠对泛化性能的影响，并通过对ResNet和EfficientNet架构的研究，展示了如何通过插入非可训练低通滤波器来减轻混叠，从而提高泛化性能。

本论文研究了细粒度分类、物种识别、计算机视觉、深度卷积网络和视觉转换器。通过评估9种算法，发现视觉转换器在推理速度和计算成本方面表现最佳，局部性视觉转换器在性能和嵌入质量方面超过其他算法，卷积神经网络具有折中性。

本研究探讨了深度卷积网络中混叠对泛化性能的影响，并发现数据增强方案无法解决该问题。通过插入非可训练低通滤波器，可以减轻混叠并提高泛化性能。在ImageNet-C和Meta-Dataset上取得了最先进的结果。

本文研究了深度卷积网络在人脸识别中的性能，发现网络的“瓶颈”结构对于迁移学习具有重要作用，并提出了一种解决方法，即用自助法取代随机子采样。同时还发现了表示范数和目标域判别能力之间的联系，并在人脸识别数据集LFW上取得了优秀的性能，甚至超越了商用系统。