计算机视觉之小目标的多尺度融合

1.多尺度融合的原因

卷积神经网络的浅层网络分辨率高，感受野小，目标的位置准确，适合检测小目标，但特征的语义信息表征能力弱，召回率低；而深层网络分辨率低，像素少，可能会导致小目标的信息丢失，不利于其识别，但特征的语义信息表征能力强，因此如果两者能够取长补短进行融合，那么既能利用浅层网络的细节信息又能结合深层网络的语义信息，在得到较高召回率的同时对目标进行准确的分类和定位。

2.融合网络

FPN网络模型的提出在一定程度上解决了多尺度检测问题，在没有带来明显计算负担的情况下增强了特征的表达能力，在小目标检测中取得了很大的进步。

3.多种融合的方式

①特征图融合

②通道拼接

③自上而下、自上而下、两边向中间

4.总结

多尺度融合的方法主要是为了在增加小目标语义信息的同时丰富小目标的细节信息，对目标进行更加准确的分类和定位，以此提高小目标检测效果。但由于不同检测场景下的小目标的细节信息和语义信息各

不相同，导致多尺度融合的方法存在着可迁移性差的问题，即在某种场景下使用的多尺度融合网络可能并不适用于其他场景下的小目标检测。因此，在具体场景进行小目标检测时，还需要根据小目标尺度大小、特征信息多少等情况来具体选取合适的网络进行多层神经网络的多尺度融合。