AFPN架构优化：如何通过增加小目标检测层提升模型精度

1次阅读

共计 1281 个字符，预计需要花费 4 分钟才能阅读完成。

目标检测领域中，小目标（通常指小于 32×32 像素的物体）的检测一直是技术难点。传统 AFPN（Adaptive Feature Pyramid Network）架构虽然通过多尺度特征融合提升了检测性能，但在小目标检测上仍存在明显不足。主要问题包括：

特征融合不足：高层特征图经过多次下采样后，小目标的细节信息丢失严重
感受野不匹配：小目标需要精细的局部特征，而传统 AFPN 的感受野过大
特征金字塔层级有限：通常只有 P3-P7 五个层级，对小目标覆盖不足

我们在 AFPN 基础上增加了一个专门的小目标检测层（P2），主要改进点包括：

新增 P2 层（1/ 4 下采样）捕捉更精细的底层特征
设计跨层跳跃连接，加强高低层特征交互
采用轻量级特征提取模块降低计算开销

我们测试了三种特征融合方式：

直接上采样融合：计算量小但特征对齐效果差
可变形卷积融合：对齐效果好但计算复杂
自适应注意力融合（最终采用）：平衡精度与效率

import torch
import torch.nn as nn

class SmallTargetLayer(nn.Module):
    """新增的小目标检测层"""
    def __init__(self, in_channels):
        super().__init__()
        self.conv1 = nn.Conv2d(in_channels, 256, 3, padding=1)
        self.conv2 = nn.Conv2d(256, 256, 3, padding=1)
        self.attention = nn.Sequential(nn.AdaptiveAvgPool2d(1),
            nn.Conv2d(256, 256//8, 1),
            nn.ReLU(),
            nn.Conv2d(256//8, 256, 1),
            nn.Sigmoid())

    def forward(self, x):
        x = self.conv1(x)
        att = self.attention(x)
        return self.conv2(x * att)