4. 深度学习基础

低空航拍图像中的小目标往往只有十几个像素，背景却包含建筑、道路、树冠等复杂纹理。要让模型在这样高分辨率、强干扰的场景中稳定检测与跟踪，必须理解深度学习中几个相互衔接的核心构件：卷积如何提取局部特征，检测范式如何把特征转成目标框，骨干网络如何逐级抽象语义，特征金字塔如何兼顾小目标与大目标，注意力机制又如何把有限算力集中到真正有目标的区域。

一、卷积神经网络：从局部感受野到层级语义

卷积神经网络（CNN）的基本操作是卷积核在输入特征图上滑动，对每个局部窗口做加权求和。它依赖三个关键性质：局部连接、权值共享和空间下采样。局部连接使网络关注邻域纹理；权值共享大幅减少参数量；池化或步长卷积则逐步扩大感受野，让浅层看到边缘、角点，深层看到机翼、车辆、屋顶等语义部件。

对航拍小目标而言，卷积的步长和感受野尤其重要。若骨干网络下采样过快，小目标在深层特征图上可能只剩不到一个像素，信息被彻底抹掉。因此，现代检测网络常采用“浅层高分辨率 + 深层强语义”的双路设计，而不是一味堆叠下采样。

输入 1024×1024 航拍图
→ 3×3 卷积 + BN + ReLU
→ 最大池化 / 步长卷积（下采样 2 倍）
→ 重复堆叠，形成 C2、C3、C4、C5 多级特征
C2: 256×256，细节丰富，适合小目标
C5: 32×32，语义强，适合大目标与场景判断

二、目标检测范式：两阶段、单阶段与无锚框

目标检测要同时回答“是什么”和“在哪里”。两阶段范式先由区域建议网络生成候选框，再对候选框分类与回归，精度高但速度较慢；单阶段范式直接在特征图上预测类别与框偏移，速度快，适合无人机实时处理；无锚框范式则不再预设大量锚框，而是预测中心点或关键点，减少超参数并提升小目标召回。

在低空航拍中，目标尺度变化剧烈，锚框尺寸若设置不当，小目标极易被漏检。因此，实际系统常采用无锚框或自适应锚框策略，并结合高分辨率特征图进行预测。

三、骨干网络与特征金字塔：让不同尺度目标都被看见

骨干网络负责从原图提取多级特征。常见选择包括 ResNet、Darknet、MobileNet 以及面向航拍的轻量骨干。ResNet 通过残差连接缓解深层退化；MobileNet 使用深度可分离卷积降低计算量；Darknet 在速度与精度之间取得平衡。对机载平台而言，骨干网络必须在功耗、延迟和精度之间折中。

特征金字塔（FPN）解决的是尺度问题。它把深层强语义特征上采样，与浅层高分辨率特征横向连接并融合，形成 P2 到 P5 等多级金字塔。这样，小目标可以在 P2 或 P3 上被检测，大目标则在 P4、P5 上处理。若没有 FPN，小目标往往只能依赖浅层特征，语义不足，误检率会明显上升。

四、注意力机制：把算力用在有目标的地方

注意力机制让网络动态判断“看哪里”和“看什么通道”。通道注意力（如 SE）学习每个通道的重要性，抑制背景响应；空间注意力则强调目标所在区域，弱化天空、路面等大面积干扰。对航拍小目标，注意力尤其有价值：目标像素少，若不加权，背景纹理很容易淹没真实目标。

常见做法是在骨干网络末端或 FPN 融合后加入注意力模块。例如在 P3 特征上先做通道重标定，再做空间加权，使小目标响应被放大。需要注意的是，注意力模块会增加少量延迟，机载部署时应选择轻量版本，避免为了精度牺牲实时性。

五、案例与参数配置：航拍小目标检测链路

假设我们要检测低空航拍中的行人与车辆，输入 1024×1024，骨干网络选用轻量 ResNet-18，FPN 输出 P2 到 P5，检测头采用无锚框方式。训练时对小目标采用较高分辨率输入，并在 P2 上设置较小回归范围。以下是一个简化的配置片段：

model:
  backbone: ResNet-18
  fpn: True
  fpn_out_channels: 256
  attention: CBAM-light
  head: anchor-free
  input_size: 1024
  strides: [4, 8, 16, 32]
  small_object_range: [0, 32]
  loss: focal + giou
train:
  batch_size: 8
  lr: 0.001
  epochs: 120
  augment: mosaic + random_scale