4. 多尺度特征提取概念
各位同学，咱们今天聊一个非常核心的话题——多尺度特征提取。
说实话，我在做目标检测和语义分割项目时，最头疼的问题就是“同一个物体，大小不一样怎么办？”你想想看，一张图片里，远处的行人可能只有几十个像素，近处的汽车却占了半个屏幕。如果模型只用单一尺度的特征去处理，那肯定顾此失彼。
所以，多尺度特征提取就应运而生了。它本质上就是让网络“看得全、看得细”。今天咱们就掰开揉碎，把三个最经典的方法讲清楚：图像金字塔、特征金字塔网络（FPN）和空洞卷积。
4.1 图像金字塔：最朴素的多尺度思路
图像金字塔这个概念，其实很直观。说白了，就是把同一张图片，不断地缩小，形成一组分辨率从高到低的图像序列。就像金字塔一样，底部大、顶部小。
为什么需要它？
因为卷积神经网络（CNN）本身对尺度变化并不鲁棒。一个在训练集里占满屏幕的猫，到了测试集里变成一个小点，模型可能就认不出来了。图像金字塔通过提供不同分辨率的输入，让模型有机会“看到”不同尺度的物体。
具体怎么做？
通常有两种方式：
- 高斯金字塔：先对图像做高斯模糊，然后下采样。这样每一层都保留了低频信息，去掉了高频噪声。
- 拉普拉斯金字塔：记录高斯金字塔相邻层之间的差异。它保留了高频细节，常用于图像重建和融合。
我记得有一次做遥感图像的目标检测，目标尺寸差异极大。小到几米的车，大到几百米的建筑。我当时就用了图像金字塔，把每张图缩放了5个尺度，分别送入网络。效果确实有提升，但代价也很大——计算量直接翻了5倍。嗯，这里要注意，图像金字塔虽然效果好，但效率是硬伤。
核心要点：图像金字塔是“输入级”的多尺度策略。它简单、有效，但计算开销大，不适合实时场景。
4.2 特征金字塔网络（FPN）：更聪明的多尺度融合
图像金字塔的缺点太明显了。我就在想，能不能不重复计算整张图，而是利用CNN本身的分层特征呢？
你想想看，CNN的前几层分辨率高、感受野小，适合捕捉细节；后几层分辨率低、感受野大，适合捕捉语义。这不就是天然的多尺度特征吗？
FPN的核心思想：自底向上 + 自顶向下 + 横向连接。
- 自底向上：就是普通的CNN前向传播。比如ResNet，从conv2到conv5，特征图尺寸逐渐减半，通道数逐渐增加。
- 自顶向下：把高层语义特征上采样，恢复到和底层特征一样的大小。
- 横向连接：把上采样后的高层特征和对应的底层特征相加（或拼接）。这样，每一层既保留了高层的语义信息，又保留了底层的细节信息。
我给大家画个图，你就明白了。
你看，左边的C2到C5是原始特征，右边的P2到P5是融合后的特征。每一层P都包含了从顶层传递下来的语义信息和本层的细节信息。这样一来，我们在P2、P3、P4、P5上分别做预测，就能覆盖从小到大的所有目标。
我的经验：FPN在目标检测中几乎是标配。我曾在一次比赛中，仅仅把backbone从ResNet-50换成ResNet-101，并加上FPN，mAP就涨了3个点。但要注意，FPN的横向连接如果处理不好，容易引入噪声。我建议在相加之前，先对底层特征做一个1x1卷积，统一通道数。
4.3 空洞卷积：不降分辨率也能扩大感受野
讲完FPN，咱们再聊聊空洞卷积。这个技巧，说白了就是“在卷积核里插孔”。
为什么需要它？
在语义分割任务中，我们既希望有大的感受野来捕捉上下文，又希望保持特征图的分辨率来保留细节。传统的做法是不断下采样，但这样分辨率就降低了。空洞卷积正好解决了这个矛盾。
空洞卷积的原理：
普通的3x3卷积，感受野就是3x3。但如果我们在卷积核的像素之间插入空洞（即跳过一些像素），感受野就变大了。比如，dilation rate=2时，一个3x3的卷积核，实际覆盖的区域是5x5，但只有9个点参与计算。
我给大家一个公式：
感受野大小 = (卷积核大小 - 1) * dilation_rate + 1举个例子：
| 卷积核大小 | Dilation Rate | 实际感受野 | 参数量 |
|---|---|---|---|
| 3x3 | 1 | 3x3 | 9 |
| 3x3 | 2 | 5x5 | 9 |
| 3x3 | 3 | 7x7 | 9 |
| 3x3 | 4 | 9x9 | 9 |
你看，参数量没变，但感受野却大了很多。这就是空洞卷积的魅力。
避坑指南：我曾经在项目中连续堆叠了多个dilation rate=2的空洞卷积，结果发现特征图出现了“棋盘格效应”。这是因为空洞卷积的采样点不连续，导致局部信息丢失。后来我改用混合空洞卷积（HDC），把不同dilation rate的卷积层交替使用，才解决了这个问题。
空洞卷积的典型应用：
- DeepLab系列：用空洞卷积作为ASPP（Atrous Spatial Pyramid Pooling）的核心组件，在多个尺度上并行采样。
- 语义分割：保持特征图分辨率的同时，扩大感受野，提升分割精度。
- 目标检测：在FPN的顶层使用空洞卷积，可以进一步扩大感受野，提升大目标的检测效果。
4.4 三者的对比与选择
好了，三种方法都讲完了。我给大家做个总结，方便你以后做技术选型。
| 方法 | 核心思想 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|---|
| 图像金字塔 | 多尺度输入 | 简单、效果好 | 计算量大、速度慢 | 离线处理、精度优先 |
| FPN | 多尺度特征融合 | 效率高、效果好 | 结构复杂、调参多 | 目标检测、实例分割 |
| 空洞卷积 | 扩大感受野 | 不降分辨率、参数少 | 可能产生网格效应 | 语义分割、密集预测 |
我个人习惯是：如果项目对实时性要求高，优先用FPN；如果对精度要求极高且不差算力，可以上图像金字塔；如果做分割任务，空洞卷积是必选项。
嗯，今天就先聊到这儿。这三种方法，你可以在后续的MobileViT融合实战中反复用到。多尺度特征提取，说白了就是让模型“既见树木，又见森林”。掌握了这个思想，很多问题就迎刃而解了。
一句话总结：多尺度特征提取不是单一技术，而是一套方法论。图像金字塔是“暴力”方案，FPN是“优雅”方案，空洞卷积是“精巧”方案。三者各有所长，灵活组合才是王道。
可可精品资料库