红外小目标检测中的尺度与位置敏感：方法与工程实践

先说一个阅读体会。我拿到Infrared Small Target Detection with Scale and Location Sensitivity这个标题时第一反应是这个作者很会提炼问题。红外小目标检测方向的论文不算少但绝大多数标题都聚焦在方法名上很少有一篇直接把自己最关心的两个维度写进标题——尺度scale和位置location。而这两个词恰恰是红外小目标检测里最容易被混淆、也最决定算法成败的两条主线。这篇精读我打算换一种写法不逐个模块去报结构参数那种逐层翻译式笔记网上已经有很多问题是你读完了依旧不知道为什么这么设计。我更想顺着问题定义 → 核心矛盾 → 解决逻辑 → 训练评估 → 复现落地的顺序把这篇论文以及它代表的整个尺度与位置敏感方法族彻底拆透。不管你是刚接触目标检测的研究生还是准备把红外小目标检测当课题方向或者要在工程项目里做单帧红外弱小目标检测的工程师按这套逻辑去读同类论文你都会比以往多看透一层。1. 先把小目标三个字翻译成人话1.1 多小才算小0.15%这个数字是怎么来的红外小目标检测里的小目标不是一个模糊的形容词而是有明确数量定义的。最常用的标准是目标在图像上的成像面积不超过整幅图像面积的0.15%。按一张256×256的单帧红外图来算总像素数是65536个0.15%大约是98个像素折算成边长就是10×10像素左右。所以很多文献里直接写目标尺寸不超过9×9像素基本就是同一件事的不同表达。不同论文对这个比例的取值略有出入0.12%到0.15%都有人用但量级是一致的。这个数字带来的第一重暴击是目标在图上几乎没有可被利用的纹理、边缘、形状信息。一个10×10的光斑经过光学系统的点扩散函数PSF弥散之后真正落到传感器上的可能只是几个亮点。你在通用目标检测里习惯依赖的那些线索——飞机有翅膀、船有桅杆、人有轮廓——在这里全部失效。目标检测退化成了一个从灰度起伏中找统计异常的问题这就是红外小目标检测和普通目标检测最本质的分岔点。第二重暴击是目标不仅小还弱。红外成像里云层边缘、海面波浪、地面热辐射形成的背景杂波灰度起伏往往比目标本身还剧烈。衡量这种强弱的核心指标叫信杂比SCRSignal-to-Clutter Ratio定义为目标与背景的灰度差除以背景波动的标准差。工程上经常遇到SCR不到5的场景极端困难情况下甚至接近1。SCR接近1意味着目标和背景噪声在强度上几乎无法区分任何检测器都退化为一个靠概率吃饭的统计判决器。1.2 小目标的三个要命特征把上面这些翻译成一张可以直接对照的表格就是下面这样特征具体表现带来的问题尺寸极小多为2×2到9×9的弥散光斑无纹理、无结构、无语义特征提取无从下手能量微弱SCR低目标灰度可能低于背景杂波容易被杂波淹没漏检率居高不下背景复杂云边强梯度、海杂波、噪点与目标高度相似虚警点多目标与干扰难以区分尺寸小决定了你能用什么特征能量弱决定了目标在特征空间里离干扰有多远背景复杂则决定了问题的本质是一个在极高噪声里找弱信号的统计判决问题。这三条叠加在一起就解释了为什么红外小目标检测不能直接套用通用目标检测那一套成熟方案——那套方案默认目标是有结构、有上下文、尺度相对稳定的。另外还有一个容易被忽略的点目标在图像上的位置是没有先验的。它可能出现在天空背景里也可能贴在海天线边缘甚至藏在地面纹理中间。算法不能假设目标大概率出现在图像中心或者目标周围是平滑天空这类位置先验必须对整幅图像一视同仁。这一点恰好呼应了标题里的位置敏感——后文会专门展开。1.3 检测、定位、跟踪是三个问题别混着读红外小目标这个领域论文里经常出现三个容易混淆的词检测、定位、跟踪。我建议在读任何一篇论文之前先把它归一下类否则实验数字很容易看糊涂。检测解决的是有没有、在哪的问题输出通常是一张概率图或一组候选坐标点。定位解决的是有多准的问题关注中心点误差、交并比IoU这类指标。跟踪解决的是帧间怎么关联的问题需要利用前后帧信息属于检测之后的上游环节。很多论文把多帧确认带来的虚警下降也算进算法收益里这本身没问题但你要清楚那是多帧信息贡献的不是单帧检测器本身的功劳。这篇尺度与位置敏感的工作属于典型的单帧检测路线输入一张图输出目标位置不做帧间关联。所以读它的实验部分时重点关注单帧指标检出率、单帧虚警、定位误差不要拿多帧跟踪的结果来评价它的单帧检测能力。把这三层分清之后后面看实验表格会顺很多。2. 尺度敏感与位置敏感两条决定成败的主线2.1 尺度敏感目标忽大忽小算法凭什么跟得上同一个目标在不同条件下成像尺寸可以差出好几倍。距离远近、光学系统点扩散函数的差异、大气湍流的抖动、传感器像元尺寸都会改变目标在焦平面上的弥散半径。一个运动目标在远处可能只占2×2像素靠近之后变成5×5、9×9再近一点甚至超出小目标的定义范围。也就是说目标本身的语义没有变但它在图像上的尺寸处于一个很宽的变化区间里。这个变化对算法极不友好。传统方法最常见的应对是多尺度模板扫描准备一组尺寸不同的卷积模板或结构元素比如Top-Hat变换的核半径从2取到7分别对图像滤波再在响应最大的尺度上做判决。这个方法的问题在于模板尺寸一旦和目标实际尺寸失配响应会迅速衰减。而实际场景里算法运行前你根本不知道目标是多少像素。深度学习网络也有同样的尴尬只是换了一种说法固定感受野的卷积核天然只对某一尺寸范围的目标敏感。感受野太小只能看到目标的一部分响应不稳定感受野太大目标信号被周围背景稀释等同淹没。所以尺度敏感的工作核心逻辑基本都绕不开一个设计问题如何让网络对不同尺寸的目标都有稳定且足够的响应最常见的解法是并行多分支提取特征再让网络自己学会为每个位置选合适的尺度——相当于把用多大网眼捞鱼这个决策交给网络而不是人工固定。2.2 位置敏感1个像素的偏移对5×5目标意味着什么尺度敏感解决找不找得到位置敏感解决找得准不准。这两个问题在红外小目标上高度耦合我先算一笔账你就明白为什么位置敏感值得单独拿出来说。假设一个5×5像素的目标预测中心点偏移了1个像素。预测框和真值框的重叠区域是4×416个像素并集面积是2525-1634个像素交并比是16/34≈0.47。如果换成一个3×3的目标偏移1个像素后交并比只剩4/14≈0.299×9的目标偏移1个像素交并比是64/98≈0.65。对比一下大目标100×100的目标偏移1个像素交并比约0.98几乎无损。这组数字说明在红外小目标任务上检出和定位是强绑定的。不小心的中心点偏移直接把你从正确检测推到检测失败那一栏。这也是为什么这类论文会专门设计位置相关模块而不是让网络随便输出一个粗糙的激活区域。较常见的做法包括尽可能保留特征图的空间分辨率、用跳跃连接把浅层细节传回输出层、在损失函数里对目标中心区域提高权重、甚至增加一个专门回归目标中心点的分支。本质上就是把目标在哪儿从一个隐含的分类附属品提升为网络需要重点优化的显式对象。2.3 敏感不等于灵敏别掉进越敏感越好的陷阱标题里的sensitivity这个英文词中文很容易误读成灵敏度越高越好。实际上这里的尺度敏感、位置敏感指的是网络要对目标的尺寸变化和位置变化给出正确、稳定的响应而不是对一切灰度波动都反应强烈。红外图像里最不缺的就是长得像目标的东西云层边缘的强梯度、海面波浪的镜面反射、传感器非均匀性校正的残留、远处另一个亮噪点。一个过于灵敏的检测器会把所有这些都报成目标虚警率直接爆表。所以读这类论文时一定要盯紧它在目标响应增强和背景杂波抑制之间怎么找平衡。这个平衡体现在哪体现在损失函数的正负样本配比、体现在注意力模块的融合权重、体现在评测阶段的ROC曲线形状上。后面我会展开讲但你先在心里记住这个判断好算法不是见亮就报而是只对该亮的地方亮。3. 拆解这类工作的核心骨架网络为什么这么长3.1 这类网络的骨架从单帧灰度图到全分辨率概率图不同论文的具体结构千差万别但尺度位置敏感这个方向的技术骨架高度一致。我自己读这类论文的习惯是先画一条主线输入单帧红外灰度图 → 特征提取骨干网络 → 尺度特征融合模块 → 位置精细化输出头 → 全分辨率目标概率图。几乎所有相关工作都逃不出这条线区别只在于每一环的具体做法。先看输入侧。红外小目标检测的输入通常就是单通道灰度图很少用多通道。有些做法会把单通道复制成三通道再喂给在自然图像上预训练好的骨干网络借用ImageNet预训练权重的迁移能力也有些做法坚持单通道输入、从头训练避免参数量和计算量浪费。我的倾向是从轻量骨干、单通道输入开始因为这个任务的输入信息量本来就不大堆大网络只会让训练更慢还容易在小数据上过拟合。再看输出侧。理想输出是一张和原图同尺寸的概率图每个像素的取值表示这个位置是目标中心的概率。为什么不沿用通用检测里的锚框回归因为小目标的框太小用锚框做回归时几个像素的偏移都会造成严重的回归波动而逐像素分类加中心点定位输出颗粒度更细天然对小目标友好。这一步其实就是位置敏感的第一个落点输出的颗粒度越细定位的上限越高。3.2 尺度模块的三种设计思路多分支、金字塔、自适应选择尺度模块的常见做法归纳起来有三种套路。读论文时往这三类上靠很快就能定位作者的核心贡献在哪一环。第一种是多分支并行。用一组不同大小的卷积核比如3×3、5×5、7×7或者一组不同膨胀率dilation rate的卷积并行提取特征再把结果融合。膨胀率分别取1、2、4时三个分支的感受野大约覆盖3×3、5×5、9×9正好落在红外小目标的典型尺寸区间内。融合方式可以是简单相加也可以是带通道注意力的加权融合。第二种是特征金字塔。让网络在不同尺度的特征图上各做一次检测再逐级上采样合并。通用检测里FPN就是这套思路。但对红外小目标来说金字塔高层特征往往把目标压缩得只剩一两个像素信息损失严重所以很多工作会特意增强浅层高分辨率特征或者额外加入一条高分辨率分支来补细节。第三种是尺度注意力/自适应选择。让网络为每个空间位置学习一组尺度权重按位置选择最合适的感受野。这是多分支的进阶版不是所有位置共享同一套融合权重而是按需取用。这三种思路并不互斥很多工作会组合使用。我的建议是读的时候带着一个具体问题去拆作者在哪个环节解决了尺寸变化如果你的应用场景里目标尺寸范围特别宽比如从2×2到15×15那么光靠固定多分支可能不够金字塔加注意力融合会更稳。没有一种方案是免费的尺度多样性覆盖得越广融合机制就越复杂训练难度和过拟合风险也越高。3.3 位置模块的四个抓手保分辨率、跳跃连接、中心加权、中心回归位置模块要解决的是网络感觉到了目标但中心点飘了的问题。我实际复现下来最常用、也最容易被论文带过的四个手段按性价比排序如下。第一是保分辨率。主干网络尽量不要一路下采样到原图的1/8甚至1/16。小目标就几个像素下采样两三次就抹没了。一个稳妥的选择是把特征图控制在原图的1/2或1/4再用PixelShuffle这类亚像素卷积恢复到原尺寸比单纯双线性插值干净得多。第二是跳跃连接。类似U-Net的做法把编码器浅层的高分辨率特征拼到解码器对应层级让输出层直接看到原始细节。小目标检测里细节信息就是生命线这一步几乎是标配。第三是中心加权损失。计算损失时离目标中心越近的像素权重越高可以按目标尺寸画一个高斯状的权重峰让网络主动把高响应挤向中心而不是在目标周围糊成一团。第四是中心点回归。除了逐像素分类分支再开一个分支回归每个位置到最近目标中心的偏移方向与距离推理时联合两个分支找中心点。这个方案来自通用检测里的关键点思路但在小目标任务里实战效果很好因为关键点回归天然强约束了空间位置。需要提醒的是位置精度不完全由网络决定后处理同样关键。同一张概率图用全局阈值直接二值化和先做局部极大值提取再做阈值判断得到的中心点坐标可能差出好几像素。论文里报告的定位精度往往与后处理设置强相关。复现时后处理必须与原论文对齐否则你复现不出它的数字未必是网络部分抄错可能只是后处理差了一步。4. 训练与评估看懂实验表格才算真的入门4.1 数据从哪来合成目标与真实背景的博弈红外小目标检测的数据集大体分两类。第一类是在真实红外背景图像上合成目标在随机位置生成一个带高斯能量分布的小光斑再按设定信杂比叠加到背景上。第二类是真实拍摄的红外视频序列由人工标注目标位置。两类数据各有各的坑。合成数据的优点是能精确控制目标的尺寸、位置、信杂比天然适合用来验证尺度敏感、位置敏感这两种能力。缺点是容易让网络学到贴图痕迹。如果目标生成器只用一种固定高斯核模型换到真实数据就会水土不服。我自己的经验是合成时一定要把随机性拉满目标尺寸在2×2到12×12之间随机、中心坐标允许落在亚像素位置、能量分布允许不规则和弥散差异、信杂比从2到20宽范围采样。只有这样才能逼着网络去学尺度不变、位置不变的本质而不是背下一个固定模板。真实数据的优势不必多说但小目标的标注非常痛苦几个像素的光斑人眼都很难稳定判断是真目标还是噪点。而且公开真实数据往往只覆盖特定场景跨场景泛化能力需要你重新验证。读论文时先看它的数据构成和划分方式再判断实验结论的分量不要被一个漂亮的论文总分迷惑。4.2 训练的核心矛盾正样本占比0.038%时怎么让模型学下去红外小目标检测本质上是极度不平衡的逐像素二分类问题。一张256×256的图像里5×5目标占25个像素正样本占比约25/65536≈0.038%。就算目标有9×9正样本占比也才0.12%。换句话说从头训练时模型的最优策略就是全图输出0因为这种策略的交叉熵损失已经非常小。如果不处理类别不平衡模型根本学不起来。常用的处理手段有三个。第一是加权BCE给正样本像素提高损失权重常见倍数在10到100之间但倍数太大会对噪声像素过拟合更稳的做法是配合难负样本挖掘只选一部分难以区分的背景像素参与损失计算。第二是Focal Loss用调制因子压低易分样本的损失贡献让模型注意力集中在硬样本上红外小目标任务里alpha常取0.75左右、gamma取2。第三是辅助损失在目标中心区域额外加L1或L2回归损失逼网络不仅分类对中心响应还要尖锐。这里有一个特别容易翻车的点归一化。红外单通道灰度图如果按整幅图做min-max归一化目标信杂比本来就低时归一化会把目标和背景一起压扁模型几乎学不到信号。我在实际项目中踩过这个坑之后改成固定灰度范围归一化或者按局部背景统计做白化效果立刻不一样。这个细节对指标的影响可能比换一个网络结构还大。注意做红外小目标训练时先检查你的归一化方式是否把目标信号压没了。别一上来就怀疑模型能力很多训练不收敛其实是预处理的问题。4.3 消融实验怎么看模块到底涨没涨、涨在哪尺度与位置敏感这类论文消融实验的套路往往是先给一个基础版本骨干网络加基础输出头然后依次加入尺度模块、位置模块最后全部加齐做对比。这是标准流程但读的时候要带三个问题进去。第一增量是否稳健。加了一个模块指标涨了但要注意它是在所有数据子集上都涨还是只在某一类合成数据上涨如果在低信杂比、小尺寸等最难子集上没涨那这个模块很可能只是在拟合训练数据的统计特性而不是真正解决了尺度或位置问题。第二代价是什么。参数量、计算量、推理速度、训练成本论文有没有报告有一些模块看似涨点实质是把模型体积翻倍工程上完全不可接受。我复现时至少会固定两个横评指标每秒帧数和参数量再谈精度高低。第三消融粒度够不够细。只做模块级消融去掉整个尺度模块是不够的更扎实的工作会拆到子模块级比如分别去掉注意力融合、去掉膨胀卷积、去掉中心损失。子模块级的消融结果才能告诉你这个尺度模块到底是真正解决了尺度问题还是纯粹多加了参数量所以涨了一点。4.4 评测口径的宽容度陷阱同一个模型两种评测两种命运红外小目标检测的经典评测指标包括检测率PD检出的目标数占真实目标数的比例、虚警率FA平均每帧虚警数、ROC曲线通过滑动检测阈值画出PD和FA的权衡关系、信杂比增益SCR Gain和背景抑制因子BSF输入背景标准差与输出背景标准差的比值。这些指标各有侧重SCR Gain和BSF主要评价预处理和背景抑制能力PD/FA和ROC才是评价最终检测效果的硬指标。读实验部分我建议先看三件事评测数据是什么、真值怎么定义、定位容差有多大。小目标评测里容差定义极其敏感。有的评测会把真值区域做一定程度的膨胀比如把3×3真值膨胀到5×5再判定命中这样一下就宽容了很多有的则严格要求预测中心点在某个像素距离内才算命中比如下面的判定逻辑。def eval_hit(pred_pts, gt_boxes, center_thr3.0): pred_pts: 检测到的目标中心点列表元素为 (x, y) gt_boxes: 真值目标框列表元素为 (x1, y1, x2, y2) 命中判定预测中心点与真值框中心点的欧氏距离不超过 center_thr hits 0 matched set() for (x, y) in pred_pts: for idx, box in enumerate(gt_boxes): if idx in matched: continue cx (box[0] box[2]) / 2.0 cy (box[1] box[3]) / 2.0 dist ((x - cx) ** 2 (y - cy) ** 2) ** 0.5 if dist center_thr: hits 1 matched.add(idx) break return hits同一个模型容差从3像素放宽到5像素指标可能从70%直接跳到90%。所以横向对比不同论文的指标时如果评测代码不是同一套数字差距很大就是正常的。你真正要做的是自己统一评测代码至少保证在同一容差定义下比而不是照抄论文表格里的数字。提示读实验对比表格之前先去论文实验设置部分找容差膨胀中心点距离这几个关键词。找不到评测细节的论文它的高指标是要打问号的。5. 复现与落地从读懂论文到跑出结果5.1 先跑四类经典算法再碰深度网络很多同学一上来就追着深度网络跑。我觉得这是本末倒置。红外小目标检测有一整套成熟的经典算法谱系到今天仍然大量出现在工程系统里。先用几天把经典算法跑通一遍你会得到很难替代的基线直觉。按我的经验建议按这个顺序Top-Hat形态学滤波。理解灰度开运算为什么能抑制慢变化背景、保留小尺寸亮斑。半小时跑通用来建立背景抑制的底层直觉。Max-Mean / Max-Median滤波。在不同方向的邻域上取均值或中值再取最大值理解它对目标形态的假设目标比周围背景亮且方向不确定。LCM系列局部对比度方法。基于人眼视觉系统的局部对比机制在窗口内计算目标与周围区域的差异这是局部特征比绝对灰度更可靠的经典示范。低秩稀疏分解类方法。把图像分块重排成矩阵用低秩部分拟合背景、稀疏部分拟合目标。这类方法在强杂波干扰下表现突出但计算量大离实时还有距离。跑完这四类再看深度学习方法你会立刻明白它到底改进了什么经典方法把目标-背景模型写死在算法里深度方法则是让网络从数据里学出更复杂的特征响应。没有经典基线打底你很难判断某个深度网络涨点是真涨了还是只是把一个本来就不难的问题做得稍微不烂了一点。5.2 复现深度方法时的几个关键决策点复现网络结构时有几个决策点会显著影响最终结果值得单独立项去验证。第一是输入尺寸与切片策略。整图推理受显存限制切片推理又会在边缘产生对齐误差。建议先在整图上跑256×256显存不足再切128×128重叠比例取0.25左右推理时重叠区域取最大响应。这个策略写起来简单实际对边缘目标的漏检影响不小。第二是上采样方式。从低分辨率特征图恢复原尺寸优先用PixelShuffle或转置卷积少用双线性插值。双线性插值会把小目标信号从一个清晰亮点抹成一片糊亮中心响应被稀释位置精度直接受损。这个细节是我早期复现里定位偏的最常见原因之一。第三是后处理链路的统一。概率图出来后先做小窗口局部极大值提取再在候选点上做阈值判断最后用连通域合并过滤过大候选。这一整套流程对虚警率的影响非常直接建议写成独立模块反复调参并且每次换模型都不要改动。第四是训练轮数与学习率。小目标数据集通常不大训练轮数不要盲目拉高。我常用带早停的训练策略监控验证集ROC的AUC而不是训练损失。红外图像不同传感器之间的灰度分布、噪声水平差异很大同样的模型在自己的设备上测效果可能和论文差不少必要时针对自己的图像做灰度统计后再定预处理方案。5.3 我踩过的坑症状、原因与对策复现和落地过程中我遇到过几类反复出现的翻车现场按症状-原因-对策整理成一张表你可以用它做排查手册。症状原因对策云边缘出现大面积高响应虚警集中在强梯度区域训练数据里目标与云边缘的对比度差异覆盖不足模型把局部突变的亮块泛化成目标增强数据里专门加入边缘高亮样本或对背景做梯度感知的难负样本挖掘概率图在目标周围糊成一团中心点定位飘损失没有对中心加权输出头分辨率不够或后处理用了大核均值化中心加权损失加PixelShuffle上采样后处理改成局部极大值训练收敛很快但测试指标和论文差距巨大评测口径不一致容差、阈值、真值定义或数据预处理和论文不同固定一套公开评测代码所有对比模型在同一口径下重测合成数据上表现好真实数据泛化差目标生成器太固定网络记住了固定尺寸加固定能量分布的模板扩大目标尺寸、位置、点扩展函数、信杂比的随机范围允许不规则形状表格里最后一行是很多论文数据好看、工程落地失效的根源。合成目标一旦太标准网络学到的就不是检测能力而是对生成器的记忆。这也是我坚持在复现阶段自己写一版高随机性数据增强的原因虽然麻烦但对最终落地价值很大。6. 进阶路线从小白到博士的阅读清单6.1 第一阶段用经典算法建立背景抑制直觉如果你刚入门先别碰深度网络老老实实把经典算法读透。Top-Hat为什么能保留小尺寸亮目标因为开运算先腐蚀后膨胀会把小于结构元素尺寸的亮结构抹掉再用原图减掉开运算结果剩下的就是被抹掉的部分也就是小目标候选。这个逻辑是理解整个领域背景抑制思想的第一块基石。随后读Max-Mean/Max-Median你会发现它其实是邻域假设加背景估计目标中心灰度高于周围邻域估计值取最大值是为了适应目标方向的不确定性。再到LCM你已经能体会到局部对比度比绝对灰度稳健得多。经典算法一层层递进就是在给你搭特征从哪来的认知阶梯。这个阶段大概花一到两周产出不是论文阅读量而是你能亲手跑通的几个基线指标。6.2 第二阶段吃透通用检测底座第二阶段要补的是深度学习目标检测的通用底座这部分知识不只属于红外小目标也属于所有小目标检测场景。我建议至少亲手实现一次U-Net理解编码器-解码器结构和跳跃连接如何保存空间细节这是位置敏感最朴素的形态语义分割损失理解逐像素分类、类别加权、Focal Loss这是红外小目标训练的必经之路关键点检测思路理解把目标当中心点回归、而不是当框回归的优势以及特征金字塔和注意力理解多尺度特征为什么互补、注意力怎么做自适应融合。把这些在普通数据上跑通以后再回到红外小目标领域你会发现很多论文里的模块其实都是这些通用组件的领域化改造。到了这一步你已经有能力自己设计一套尺度加位置的改进方案而不只是照着论文抄结构。6.3 第三阶段带着三个问题去拆专题论文到了进阶阶段读尺度与位置敏感这类论文就不该再逐段翻译了而是带着问题进去。我会固定问三个问题。第一个问题这篇论文的尺度模块解决的是目标尺寸范围宽还是目标形态不规则两个问题虽然相关但对应的设计完全不同。第二个问题它的位置模块是靠损失函数强约束、靠网络结构保分辨率、还是靠后处理纠正三种手段的代价和收益差别很大论文里通常会指明它选了哪条路。第三个问题它在信杂比低、目标极小、背景复杂这三个困难维度上各自表现如何把它的结果放到你自己最痛的那个场景里它还有效吗如果读完一篇论文你能用一两句话回答出它到底在哪一环、用了什么办法、解决了哪个具体问题这篇论文就算真正读完了。这个标准不高但能做到的人不多——多数人只是读完了并没有读完。最后说点个人体会。我读这类尺度与位置敏感的工作最大的收获不是某个具体模块而是它把检测拆成了三个问题别漏、别错、别偏。尺度敏感负责别漏背景抑制负责别错位置敏感负责别偏。你在自己的实验里也试着按这三个维度分解问题先定位当前卡在哪一环再去找对应的解决方案会比指望一个网络结构一次性解决所有问题高效得多。这套思路是我在这个方向做实验时最常拿来自检的框架也分享给你。