ASFF使用小记

关注

VIP免费原创最新推荐文章于 2026-05-01 07:45:11 发布 1.1w 阅读 AI 写同款· GEO 优化 ›

目标检测学习-ASFF 1.背景介绍在绝大多数目标检测网络中，如下图Fig1特征金字塔（Feature Pyramid Network，FPN）是一个不可缺少的部分，FPN网络主要解决的问题是目标检测在处理多尺度变化问题的不足。FPN主要有以下两个作用：1）多尺度特征融合，提高了特征的丰富程度；2）使用分治法，将目标检测任务按照目标尺寸不同，分成若干个检测子任务。 2.存在的问题在检测分支当中低层特征适合检测图片中的小物体，高层特征适合检测图片中的大物体，中间层特征适合检测图片中的中等大小物体。而在FPN中采用.. 阅读详情

ASFF代码可以参考论文作者在github上的代码
 论文地址
简要介绍
文章所提及的yolov3 baseline就不提了，简单介绍一下ASFF。

金字塔特征表示是解决目标检测中目标尺度变化的常用手段。然而，不同特征尺度之间的不一致是基于特征金字塔的单镜头检测器的主要限制。作者提出了一种新的和数据驱动的金字塔特征融合策略，称为自适应空间特征融合(ASFF)。它学习了空间滤波冲突信息以抑制不一致性的方法，从而提高了特征的尺度不变性，并几乎没有引入推理开销。
三特征层ASFF结构：
在这里插入图片描述
核心思想是通过学习自适应地调整各尺度特征在融合时的空间权重。
特征融合公式：

alpha beta gama和为1，通过softmax函数得到。

这三个参数通过1*1卷积得到。
代码实现

class ASFF(nn.Module):
    def __init__(self, level, rfb=False, vis=False):
        super(ASFF, self).__init__()
        self.level = level
        # 输入的三个特征层的channels, 根据实际修改
        self.dim = [512, 256, 256]
        self.inter_dim = self.dim[self.level]
        # 每个层级三者输出通道数需要一致
        if level==0:
            self.stride_level_1 = add_conv(self.dim[1], self.inter_dim, 3, 2)
            self.stride_level_2 = add_conv(self.dim[2], self.inter_dim