1. 课程导论

1.1 为什么我们需要多尺度特征？

做计算机视觉这几年，我越来越觉得「尺度」是个绕不开的话题。

你想想看，一张图片里的物体，大小差异能有多大？远处的行人可能只有几十个像素，近处的汽车却能占满整个画面。如果模型只用单一尺度的特征去识别，说白了就像一个人只用「近视眼」看世界——远处的看不清，近处的又太模糊。

我在项目中遇到过这样一个场景：做智慧安防的车辆检测，大卡车和小轿车在图像里的尺寸差了将近10倍。一开始用普通的CNN，小轿车漏检率特别高。后来加了多尺度特征提取，效果立竿见影。嗯，这就是我们这节课要聊的第一个核心——多尺度特征提取。

1.2 MobileViT 是什么？为什么选它？

说到MobileViT，我得先吐槽一下自己早期的经历。

我曾经在移动端部署过纯Transformer模型，效果确实好，但推理速度慢得让人抓狂。后来换成纯CNN，速度快了，精度又上不去。你想想看，这就像在「速度」和「精度」之间走钢丝，两边都想要，但两边都难兼顾。

MobileViT的出现，算是给了我一个折中的方案。它把CNN的局部特征提取能力和Transformer的全局建模能力结合在了一起。说白了，就是让模型既能看到「树木」，又能看到「森林」。

我个人习惯把MobileViT看作一个「混合体」：

• CNN部分：负责提取局部纹理、边缘等低级特征，计算量小，速度快
• Transformer部分：负责捕捉长距离依赖、全局上下文，精度高

但这里有个问题——MobileViT本身并没有专门设计多尺度特征提取的机制。它默认处理的是固定尺度的特征图。这就引出了我们这门课的核心目标：把多尺度特征提取和MobileViT融合起来。

1.3 融合的难点在哪里？

说实话，一开始我也觉得「不就是加几个分支嘛，有什么难的？」

真正动手做的时候才发现，坑比想象的多。我简单列几个典型的：

1. 计算量爆炸：多尺度意味着多个分支，每个分支都要跑一遍特征提取。MobileViT本身已经不算轻量了，再加几个分支，移动端根本跑不动。
2. 特征对齐问题：不同尺度的特征图尺寸不同，怎么把它们融合到一起？直接上采样？还是用注意力机制？我试过好几种方法，效果差异很大。
3. 训练不稳定：多尺度分支的梯度传播路径更长，稍不注意就会梯度爆炸或消失。我曾经调了一个星期的学习率，才把训练曲线稳住。

1.4 应用场景：哪些地方需要这个技术？

讲理论之前，我们先看看实际场景。我挑了几个典型的：

场景	为什么需要多尺度+MobileViT	我遇到过的坑
自动驾驶感知	需要同时检测近处的大目标和远处的小目标	小目标（如锥桶）漏检率一度高达30%
医学影像分析	病灶大小不一，从几毫米到几厘米都有	微小病灶（如早期肿瘤）几乎检测不到
移动端实时检测	既要快，又要准，还要能处理不同尺度的物体	模型量化后精度掉得厉害
遥感图像分析	图像分辨率高，目标尺度差异极大	大图切小图后，跨尺度的上下文信息丢失

你看，这些场景都有一个共同点：目标尺度变化大，且对实时性有要求。纯CNN不够准，纯Transformer不够快，MobileViT+多尺度融合就成了一个很自然的选择。

1.5 课程目标：学完你能得到什么？

这门课不是纯理论，也不是纯代码。我的目标是让你学完后，能真正上手做项目。具体来说：

• 理解原理：多尺度特征提取的几种经典方法（FPN、ASPP、BiFPN等），以及MobileViT的核心结构
• 掌握融合技巧：怎么把多尺度模块嵌入到MobileViT中，既保证精度，又控制计算量
• 实战落地：从数据准备、模型训练、到移动端部署，完整走一遍流程
• 避坑经验：我会把我在项目中踩过的坑、调过的参、试过的无效方案，都分享出来

1.6 本章知识体系总览

为了让你对整门课有个整体印象，我画了一张框架图。它展示了多尺度特征提取与MobileViT融合的核心逻辑：

从这张图你可以看到，整个流程并不复杂：输入图像经过MobileViT主干网络，在不同阶段提取出不同尺度的特征，然后通过一个融合模块把它们整合起来，最后输出结果。但「不复杂」不代表「容易」，每个环节都有很多细节需要打磨。

嗯，第一章的内容就到这里。后面的章节，我们会一步步拆解每个模块，从原理到代码，从训练到部署，把这条路走通。