小目标检测实战：基于BiFPN与定制检测头的优化方案解析

1次阅读

没有评论

共计 3256 个字符，预计需要花费 9 分钟才能阅读完成。

小目标检测在计算机视觉任务中一直是一个棘手的问题。所谓小目标，通常指的是在图像中占据面积小于 32×32 像素的物体。这类目标由于分辨率低、特征信息少，导致检测难度大大增加。主要存在以下技术挑战：

特征丢失问题 ：在典型的卷积神经网络中，随着网络深度的增加，小目标的特征信息在多次下采样后几乎消失殆尽。
定位偏差 ：小目标的边界框定位精度往往较差，轻微的位置偏差就会导致 IoU 大幅下降。
样本不平衡 ：一张图像中通常包含大量小目标和少量大目标，导致分类器偏向于大目标。

现有的解决方案如 FPN（特征金字塔网络）虽然通过多尺度特征融合改善了这一问题，但仍存在信息流动单向、特征加权不均衡等局限性。

为了更好地理解为什么选择 BiFPN，我们先对比几种常见的特征金字塔结构：

FPN（Feature Pyramid Network）：
自顶向下的单向特征融合
不同尺度特征简单相加，没有考虑重要性差异
缺乏底层特征的再精炼
PANet（Path Aggregation Network）：
增加了自底向上的补充路径
双向特征流动，但融合方式仍为简单相加
计算复杂度较高
BiFPN（Bidirectional Feature Pyramid Network）：
双向（自顶向下 + 自底向上）跨尺度连接
引入可学习的权重参数进行特征加权融合
删除了只有单一输入边的节点，简化结构

从 EfficientDet 论文的实验数据来看，BiFPN 在保持相似计算量的情况下，将 COCO 数据集的 mAP 提高了约 1.5-2.0 个百分点，特别是在小目标检测（AP^S）上优势更加明显。

BiFPN 的核心创新在于两点：高效的跨尺度连接和加权特征融合。其具体实现包含以下几个关键步骤：

首先构建一个基础的特征金字塔（通常来自骨干网络的 C3-C7 特征层）
对每个分辨率的特征，通过双向路径聚合来自其他尺度的信息
在特征融合时，为每个输入特征分配可学习的权重

数学上，加权特征融合可以表示为：

O = ∑(w_i * I_i) / (∑w_i + ε)

其中 w_i 是每个输入特征 I_i 对应的可学习权重，ε 是一个极小值（如 0.0001）防止数值不稳定。

针对小目标的特性，我们需要对检测头进行特殊设计：

高分辨率特征保留 ：在检测头中减少下采样次数，保持足够的分辨率
锚框设计 ：使用更小尺寸的锚框（如 8×8，16×16）匹配小目标
感受野控制 ：适当减小卷积核尺寸，避免过大的感受野稀释小目标特征
正样本重采样 ：在训练时对小目标样本进行过采样，缓解类别不平衡

以下是基于 PyTorch 的关键实现代码片段：

import torch
import torch.nn as nn
import torch.nn.functional as F

class WeightedFeatureFusion(nn.Module):
    """可学习的加权特征融合模块"""
    def __init__(self, num_inputs, epsilon=1e-4):
        super().__init__()
        self.weights = nn.Parameter(torch.ones(num_inputs))
        self.epsilon = epsilon

    def forward(self, features):
        """
        参数:
            features: 需要融合的特征列表，每个特征形状为 [B,C,H,W]
        返回:
            加权融合后的特征
        """
        # 归一化权重
        norm_weights = F.relu(self.weights) / (torch.sum(F.relu(self.weights)) + self.epsilon)

        # 加权求和
        fused_feature = torch.zeros_like(features[0])
        for i in range(len(features)):
            # 对不同分辨率的特征进行插值对齐
            if features[i].shape[-2:] != fused_feature.shape[-2:]:
                resized_feature = F.interpolate(features[i], 
                    size=fused_feature.shape[-2:], 
                    mode='nearest'
                )
            else:
                resized_feature = features[i]
            fused_feature += resized_feature * norm_weights[i]

        return fused_feature

class SmallObjectDetectionHead(nn.Module):
    """小目标专用检测头"""
    def __init__(self, in_channels, num_anchors, num_classes):
        super().__init__()
        # 保持高分辨率的轻量级设计
        self.conv1 = nn.Conv2d(in_channels, in_channels, kernel_size=3, padding=1)
        self.conv2 = nn.Conv2d(in_channels, in_channels, kernel_size=3, padding=1)

        # 分类和回归分支
        self.cls_head = nn.Conv2d(in_channels, num_anchors * num_classes, kernel_size=3, padding=1)
        self.reg_head = nn.Conv2d(in_channels, num_anchors * 4, kernel_size=3, padding=1)

        # 初始化参数
        for m in self.modules():
            if isinstance(m, nn.Conv2d):
                nn.init.normal_(m.weight, std=0.01)
                nn.init.constant_(m.bias, 0)

    def forward(self, x):
        """
        参数:
            x: 输入特征，形状 [B,C,H,W]
        返回:
            分类得分和边界框预测
        """
        # 保持分辨率不变的特征提取
        feat = F.relu(self.conv1(x))
        feat = F.relu(self.conv2(feat))

        # 预测
        cls_score = self.cls_head(feat)
        bbox_pred = self.reg_head(feat)

        return cls_score, bbox_pred

我们在 COCO 数据集上对比了不同方法的性能（基于 ResNet50 骨干网络）：