想象你收到一条紧急求助：邻居的猫咪“咪咪”走丢了，最后出现在一张城市卫星照片里。你打开照片，街道、楼房、公园尽收眼底，可你盯着屏幕看了十分钟——咪咪呢？它明明在这张图里，但在 1024×768 的照片上，一只猫可能只占 6×6 个像素。凑近屏幕，你看到的只是一团模糊的灰红色。要靠这么一丁点像素认出“这是猫”，还得分辨它到底在哪个街区、哪条巷子里，这就是小目标检测（Small Object Detection）要解决的问题。 整篇讲义就是一个完整的“寻猫作战方案”：先定义“多小才算小”（小目标定义），再分析为什么难找（检测难点），接着搭建不同高度的瞭望台共享信息（FPN 特征金字塔）、放大照片（高分辨率输入）、推理咪咪爱去鱼市和公园（上下文信息），最后把这套方案带到遥感油田、自动驾驶和工业质检的真实战场。你会发现，技术学习和“找一只几个像素大的小猫”竟如此同构。

岗位关联

小目标检测是遥感、自动驾驶、工业质检等场景的核心能力。掌握它，意味着你能处理真实世界中占比最大的长尾场景——本讲义帮你建立从原理到实战的完整直觉。

目录
  1. 可视化演示
  2. 小目标定义
  3. 检测难点
  4. FPN特征金字塔
  5. 高分辨率输入
  6. 上下文信息
  7. 典型应用
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

展示系统处理流水线、实时性能指标曲线及多方案对比分析，包含数据流转、吞吐延迟监控与方案评估。

本节配有交互动效（进入视口后自动加载，约 3KB）。

系统可视化 处理流程：输入→处理→模型→输出 性能监控：实时指标 P=L×T

小目标定义

咪咪到底多小才算“小”？如果它占了半张照片，你一眼就能找到；如果它只有 6×6 像素，就得动用全套技术。所以寻猫任务的第一步，不是找猫，而是先立一把“尺子”：把“小”这个模糊的字眼量化成可以比较的数字。没有这把尺子，研究者之间无法交流，模型效果也无从对比。

计算机视觉界最常用的尺子是 COCO 数据集给出的经验标准：目标面积小于 32×32 像素，就称为小目标。为什么会是 32？因为主流骨干网络经过约 5 次下采样，32 像素的边长刚好能在最高层特征图上保留 1 个有效响应点——再小就连“存在感”都没有了。除了绝对像素，还有相对定义：目标面积占整张图像面积不足 1% 时，也常被视为小目标。

这把尺子还有一个重要刻度：尺度是相对的。同样的咪咪，在近景照片里可能占几百像素，在遥感卫星图里却只有十几个像素；同一辆油罐车，近处拍摄是“大目标”，高空俯瞰就成了“小目标”。所以小目标检测本质上是“成像尺度导致的特征稀缺”问题。

所以当你在卫星图上把咪咪的轮廓框出来，数一数里面有多少像素，就能立刻判断它是不是“小目标”。尺子立好了，下面就该看看为什么小目标这么难找。

Areaobj=w×h,小目标:Areaobj<32×32=1024\displaystyle \text{Area}_{obj} = w \times h,\qquad \text{小目标}: \text{Area}_{obj} < 32 \times 32 = 1024
公式用宽乘高算出目标像素面积，再与 32×32=1024 这个经验阈值比较，面积更小即判定为小目标。
  1. 面积公式目标在图像中占据的像素总数，由目标框的宽和高相乘得到
    w×h\displaystyle w \times h
  2. 经验阈值COCO 协议以边长 32 像素作为小目标的分界线
    32×32=1024\displaystyle 32 \times 32 = 1024
  3. 判定式实际面积小于 1024 个像素时，该目标划入“小目标”范畴
    Areaobj<1024\displaystyle \text{Area}_{obj} < 1024

检测难点

咪咪只有几个像素，你要认出“这是猫”，得看清猫耳朵、猫尾巴的轮廓。可这几个像素经过卷积神经网络一层层下采样后，就像把一张照片不断缩小：先是猫眼消失，接着耳朵糊成一团，最后只剩一个难以辨认的点。信息丢得越多，算法就越难回答“这是什么东西”。

现代骨干网络（如 ResNet）通常有 32 倍的下采样，这意味着一个 32×32 的小目标经过 5 次缩放后，在最高层特征图上只剩下 1×1 个特征点。分类分支在这个点上几乎拿不到判别性信息——它只能看到“这里有个东西”，却分不清是猫还是灰色石块。这就是小目标检测的第一个难点：特征信息不足。

第二个难点是定位精度差。小目标本身只有几个像素，预测框只要偏移两三个像素，与真实框的重叠度（IoU）就会断崖式下降，目标很容易被判为漏检或误检。第三个难点是背景干扰：小目标在特征图上与噪声、同类小物体几乎难以区分，模型经常把墙角的暗斑当成咪咪，或者把咪咪当成墙角的暗斑。

看，没人能在 1×1 的点上认出咪咪。要破解这个难题，聪明的做法是：别让高层那一个点孤军奋战，而是让不同层次的“瞭望台”共享情报。

fresidual=⌈ws⌉×⌈hs⌉,s=stride\displaystyle f_{\text{residual}} = \left\lceil \frac{w}{s} \right\rceil \times \left\lceil \frac{h}{s} \right\rceil,\qquad s = \text{stride}
公式计算小目标在下采样后还剩多少个特征点：stride 越大、目标越小，“幸存”的点越少，最终信息坍缩为 1×1。
  1. 缩放比例卷积网络每层下采样按 stride 缩小特征图，目标宽高同步变小
    ws,hs\displaystyle \frac{w}{s},\quad \frac{h}{s}
  2. 向上取整为保证特征坐标是整数，分别对宽高向上取整
    ⌈ws⌉,⌈hs⌉\displaystyle \left\lceil \frac{w}{s} \right\rceil,\quad \left\lceil \frac{h}{s} \right\rceil
  3. 幸存特征相乘得到下采样后目标剩余的特征点数
    fresidual=⌈ws⌉×⌈hs⌉\displaystyle f_{\text{residual}} = \left\lceil \frac{w}{s} \right\rceil \times \left\lceil \frac{h}{s} \right\rceil
  4. 极端坍缩当 s=32 且目标为 32×32 时，幸存点数只剩 1×1
    ⌈32/32⌉×⌈32/32⌉=1×1\displaystyle \lceil 32/32 \rceil \times \lceil 32/32 \rceil = 1 \times 1

FPN特征金字塔

寻猫队派了三架无人机，分别悬停在 300 米、150 米、50 米高空。300 米高的无人机视野最大，报告：“东城区鱼市附近有一团可疑的红色。”50 米高的无人机立刻把镜头对准鱼市，逐条街扫过去，终于锁定：那就是咪咪！高空负责“大概在哪儿”，低空负责“确认是不是”——两者情报一旦打通，寻猫效率立刻翻倍。

特征金字塔网络（FPN，Feature Pyramid Network）沿用了这个思路。第一步是自底向上路径：骨干网络从 C1 到 C5 逐层下采样，低层保留高分辨率细节（猫耳朵的轮廓），高层浓缩全局语义（“鱼市附近”）。第二步是自顶向下路径：把 P3、P4 等高层特征不断上采样放大，向低层传递语义信息。第三步是横向连接：用 1×1 卷积把同一尺寸的低层细节与上采样来的高层语义逐元素相加，产出 P2、P3、P4、P5 多尺度特征。

对小目标最关键的是 P2 层，因为它分辨率最高、细节最完整，同时又通过融合获得了高层语义的“指导”。检测器可以分头行动：小目标交给 P2，中等目标交给 P3/P4，大目标交给 P5。这就像寻猫队给三架无人机分配任务：低空负责小猫，中空负责小推车，高空负责楼房——各司其职又互通有无。

瞭望台之间通了情报，咪咪在图上被找回来的概率大增。但别急，还有一个基础问题：如果镜头本身就模糊，再多的瞭望台也白搭。接下来我们给寻猫队换一台高分辨率相机。

P2=Conv1×1(C2+Upsample(P3))\displaystyle P_2 = \text{Conv}_{1\times1}\left( C_2 + \text{Upsample}(P_3) \right)
公式描述 FPN 的一次融合：把高层语义 P3 放大后，与同尺寸的低层细节 C2 相加，再用 1×1 卷积压缩融合，产出 P2。
  1. 低层细节C2 是自底向上路径中分辨率最高的特征层，保留小目标的轮廓细节
    C2\displaystyle C_2
  2. 放大高层Upsample 把 P3 特征图放大到与 C2 相同的宽高
    Upsample(P3)\displaystyle \text{Upsample}(P_3)
  3. 横向相加同尺寸的细节特征与语义特征逐元素相加，信息互补
    C2+Upsample(P3)\displaystyle C_2 + \text{Upsample}(P_3)
  4. 卷积融合1×1 卷积在保持空间尺寸的同时完成通道间的融合与降维
    P2=Conv1×1(C2+Upsample(P3))\displaystyle P_2 = \text{Conv}_{1\times1}\left( C_2 + \text{Upsample}(P_3) \right)

高分辨率输入

有了瞭望台还不够，镜头本身的清晰度同样决定成败。想象一下：你把卫星图从 1024×1024 放大到 2048×2048，咪咪从 6×6 像素变成 12×12 像素，耳朵轮廓、眼睛位置立刻清晰起来，低空无人机不用再靠猜。

在技术层面，放大输入图像的效果可以用“有效步长”来解释：网络自身的 stride=16 是固定的，但如果输入边长放大 S 倍，目标在特征图上的有效大小也放大 S 倍，相当于有效步长变成了 16/S。换句话说，原来 1×1 的特征点能描述咪咪的整个身体，现在 2×2 甚至 4×4 的特征点能分别描述耳朵、眼睛、尾巴——特征信息瞬间充裕起来。

天上不会掉免费的午餐。输入放大 2 倍，卷积层的计算量大约是原来的 4 倍（宽高各放大 2 倍，相乘即 4 倍）。显存和算力吃不消时，工程上常用“切块检测”（tiling）：把大图切成若干有重叠的小块分别送入网络，检测完再按坐标拼回全景图。这就像寻猫队把全城地图裁成 16 张，每人拿一张仔细找，最后合并大家的发现。

高分辨率镜头让咪咪的细节清晰了，但它还有个短板：它不知道咪咪喜欢去鱼市。再清晰的镜头，也比不上一点点常识。这就是上下文信息的用武之地。

FLOPs∝(S⋅W)×(S⋅H)=S2⋅W⋅H\displaystyle \text{FLOPs} \propto (S \cdot W) \times (S \cdot H) = S^{2} \cdot W \cdot H
公式说明计算量与输入总像素数成正比：边长放大 S 倍，宽高同时放大，计算量按 S 的平方增长。
  1. 缩放因子S 表示输入图像边长的放大倍数，宽和高分别变为原来的 S 倍
    S⋅W,S⋅H\displaystyle S \cdot W,\quad S \cdot H
  2. 像素总量卷积计算量与输入像素总数成正比，放大后像素数为两者乘积
    (S⋅W)×(S⋅H)\displaystyle (S \cdot W) \times (S \cdot H)
  3. 平方增长整理得到 S 的平方倍
    S2WH\displaystyle S^{2} W H

上下文信息

老练的寻猫队员不会在全城盲找。他们先问几个问题：咪咪爱吃什么？爱去哪些地方？——爱晒太阳的窗台、卖鱼的集市、铺满落叶的公园。于是他们把搜索范围从“全城”缩小到“鱼市周边 500 米”。这不是碰运气，这叫上下文信息：用场景和时间线索辅助判断物体位置。

在小目标检测里，上下文信息分两类。第一类是全局上下文：把整张图的场景语义提取出来，让检测器知道“这是鱼市，很可能出现猫”。实现上可以用场景分类分支，也可以用自注意力机制让每个位置都“看”一眼全图。第二类是区域上下文：利用目标周围的邻接物体关系，比如行人旁边更可能有宠物，车道标线旁更可能出现小锥桶——单个小目标难以识别时，它的“邻居”就是最好的路标。

融合方式也很直观：把目标的局部特征 f_local 和全局上下文特征 f_global 做拼接或加权相加，得到 f_out。这样 P2 层上的咪咪不再是一个孤立的小红点，而是“鱼市场景中、鱼摊旁、带耳朵轮廓的小红点”。特征还是那些特征，但有了上下文加持，分类分支的置信度会大幅提升。

至此，“寻猫工具箱”已经齐全：尺子（定义）、问题清单（难点）、瞭望台（FPN）、高清镜头（高分辨率）、常识（上下文）。现在该把这套装备带出实验室，去真实世界执行任务了。

fout=flocal⊕fglobal\displaystyle f_{\text{out}} = f_{\text{local}} \oplus f_{\text{global}}
公式表示把局部细节特征与全局上下文特征融合（拼接或相加），让检测器同时看到“长什么样”和“在什么环境里”。
  1. 局部特征目标所在小区域提取到的外观特征，回答“它长什么样”
    flocal\displaystyle f_{\text{local}}
  2. 全局特征整张图或大范围上下文聚合出的语义特征，回答“它可能在哪儿”
    fglobal\displaystyle f_{\text{global}}
  3. 融合符号⊕ 表示拼接（concat）或逐元素相加（add）操作
    flocal⊕fglobal\displaystyle f_{\text{local}} \oplus f_{\text{global}}
  4. 融合输出带上下文信息的特征，兼具细节分辨力与场景判断力
    fout\displaystyle f_{\text{out}}

典型应用

当年在卫星图里找咪咪的小队，如今拿着同一套技术在现实世界出任务。第一站是遥感图像：油田里那些直径几米的油罐、海面上十几米长的船只，在几百公里高的卫星照片里只有几十甚至几个像素。遥感算法工程师用高分辨率输入配合 FPN，在超大遥感图上逐块扫描，从“芝麻点”里识别出油罐和船，靠的就是这套寻猫逻辑。

第二站是自动驾驶。车辆在空旷道路上行驶时，100 米外的一个行人可能只有 20×20 像素，却关乎生死。感知系统必须同时做三件事：用更大的输入分辨率保住行人的像素，用 FPN 让多尺度特征协同工作，再用上下文（斑马线、路口、车灯亮起的区域）预判行人可能出现的位置。这里的“猫”，是每个不可忽视的远方交通参与者。

第三站是工业质检。PCB 电路板上一条 2×2 像素的划痕、手机屏幕上一粒针尖大小的气泡，本质上都是小目标检测。产线相机把局部区域拉近后送入检测网络，再用上下文规则过滤（划痕通常沿走线方向、气泡通常在玻璃边缘区域），把不良品拦在出厂之前。F1 分数、漏检率、误检率，就是这支“寻猫队”的绩效 KPI。

从卫星图里找咪咪，到产线上找划痕，小目标检测的底层逻辑始终是同一套：定义尺度、弥补信息、融合细节与语义、善用上下文。理解了这场“寻猫游戏”，你就理解了这门技术的灵魂。

GSD=Hflight×ppixelf\displaystyle \text{GSD} = \frac{H_{\text{flight}} \times p_{\text{pixel}}}{f}
遥感中的 GSD（地面采样距离）公式：飞行高度越高、像元尺寸越大、焦距越短，单个像素覆盖的地面就越大，小目标就越难看清。
  1. 飞行高度H_flight 表示传感器到地面的距离，越高则视场越大
    Hflight\displaystyle H_{\text{flight}}
  2. 像元与焦距p_pixel 是感光元件的物理尺寸，f 是镜头焦距
    ppixel,f\displaystyle p_{\text{pixel}},\quad f
  3. GSD 公式三者相除得到单个像素覆盖的地面尺寸
    GSD=Hflight×ppixelf\displaystyle \text{GSD} = \frac{H_{\text{flight}} \times p_{\text{pixel}}}{f}
  4. 工程含义想让卫星“看见”咪咪那么大甚至更小的目标，必须把 GSD 压到目标尺寸以下
    GSD<目标尺寸\displaystyle \text{GSD} < \text{目标尺寸}

AI 应用场景

遥感图像中的油罐与船只识别

阶段：模型部署与检测推理

解决的问题：传统人工判读遥感影像耗时巨大，一名判读员一天只能处理几百平方公里；且小目标在低分辨率下极易漏检。AI 用高分辨率切块 + FPN 多尺度融合，把检测逻辑变成“先大范围扫，再小范围瞧”。

具体案例：某油田巡检项目需要对 2 万平方公里的卫星影像识别油罐目标。工程师将影像切为 1024×1024 的块，输入带 FPN 的检测网络，用 P2 层捕捉小油罐特征，最终漏检率从人工目视的 18% 降到 3% 以下。

自动驾驶中的远景行人感知

阶段：数据预处理与实时感知

解决的问题：传统单尺度检测器对 100 米外的行人几乎失效——目标只有 20×20 像素，下采样后特征完全坍缩。AI 方案采用高分辨率输入（如 1920×1080）配合 FPN 的 P2 特征层，并利用斑马线、路口等上下文线索提升召回率。

具体案例：某自动驾驶公司的高速领航系统，在夜间将相机增益调高并保持 2 倍输入分辨率，配合上下文注意力模块，将 150 米外静止行人的检出距离从 80 米提升到 120 米，为紧急制动争取了宝贵的 1.5 秒。

工业质检中的微小缺陷检测

阶段：模型训练与端侧推理

解决的问题：PCB 板上的划痕仅 2-3 个像素，传统视觉算法依赖人手工调阈值，换一条产线就得重新标定。AI 将局部区域高倍率成像后输入小目标检测网络，用上下文规则排除噪声干扰。

具体案例：某电子厂在回流焊后检测产线上 PCB 的微小气泡，采用“局部放大成像 + FPN + 灰度上下文过滤”，误检率从 8% 降至 1.2%，产线节拍保持在每片 0.8 秒。

Python 演示

python53 行
import numpy as np  def make_scene(size=256, seed=7):    rng = np.random.default_rng(seed)    img = rng.normal(0, 0.05, (size, size)).astype(np.float32)    img[61:67, 61:67] += 1.0      # 6x6 small object (cat)    img[150:210, 100:160] += 0.6  # 60x60 large object (house)    return img  def down(feat, k=2):    # simulate stride-2 pooling like CNN downsampling    h = feat.shape[0] // k * k    w = feat.shape[1] // k * k    return feat[:h, :w].reshape(h // k, k, w // k, k).mean(axis=(1, 3))  def up(feat, shape):    # nearest-neighbor upsample for top-down path    kh = shape[0] // feat.shape[0]    kw = shape[1] // feat.shape[1]    return np.kron(feat, np.ones((kh, kw), dtype=np.float32))  def build_fpn(img, levels=3):    cs = [img]                      # bottom-up: C1 -> C2 -> C3    for _ in range(levels - 1):        cs.append(down(cs[-1]))    ps = [cs[-1]]                   # top-down fusion    for i in range(levels - 2, -1, -1):        ps.insert(0, cs[i] + up(ps[0], cs[i].shape))    return cs, ps  def obj_points(feat, size=256, thr=0.5):    d = size // feat.shape[0]    return int((feat[61 // d:67 // d, 61 // d:67 // d] > thr).sum())  def main():    img = make_scene()    cs, ps = build_fpn(img)    print("levels:", len(cs), "small object 6x6 pixels")    for i, c in enumerate(cs):        print("C%d %dx%d valid points: %d"              % (i + 1, c.shape[0], c.shape[1], obj_points(c)))    print("after FPN, P1 valid points: %d (detail restored)"          % obj_points(ps[0]))  if __name__ == "__main__":    main()
目的：用 numpy 模拟 CNN 下采样与 FPN 融合，直观展示小目标特征点从 36 → 9 → 1 的信息坍缩，以及融合后被恢复的过程。
  1. img[61:67, 61:67] += 1.0在背景噪声上放置一个 6×6 像素的小目标，模拟卫星图中的咪咪
  2. rng.normal(0, 0.05, (size, size))生成微弱背景噪声，模拟真实场景的干扰
  3. def down(feat, k=2)模拟 stride=2 的池化下采样，每次把特征图边长减半
  4. .reshape(h // k, k, w // k, k).mean(axis=(1, 3))每 2×2 窗口取均值，等效于平均池化
  5. def up(feat, shape)用 np.kron 做最近邻上采样，对应 FPN 自顶向下路径的放大操作
  6. ps.insert(0, cs[i] + up(ps[0], cs[i].shape))FPN 核心融合：低层细节 + 上采样后的高层语义
  7. def obj_points(feat, ...)统计小目标区域中超过阈值的有效特征点数量
  8. print("C%d ..." ...)输出 36 → 9 → 1 的坍缩曲线，与 FPN 融合后的恢复结果

常见误区

误区小目标看不清，直接用图像处理库把图放大 2 倍再送进网络，应该就能检测出来了吧？

正解普通插值放大（双线性、最近邻）只是在“补像素”，并没有引入任何新信息，就像把一张模糊的证件照放大，五官并不会因此变清晰。真正有效的是采集端的原生高分辨率输入（换更密的传感器、更长的焦距），或者让网络在训练时就适配高分辨率输入。单纯插值放大只会增加计算量，小目标的特征坍缩问题依旧存在。

为何常见：生活中的“放大”直觉让人误以为尺寸变大=信息变多，忽略了插值只是对已有信息的重采样。

误区FPN 不就是把图片缩成好几个尺寸分别检测吗？相当于把网络跑好几遍。

正解FPN 的核心不是“多个尺度副本同时检测”，而是自底向上的特征提取 + 自顶向下的语义注入 + 横向连接融合。它只跑一遍骨干网络，通过“高分辨率和低层细节”与“低分辨率和高层语义”的双向融合，让每一层特征同时具备细节和语义。这更像三架无人机互通情报，而不是三架无人机重复拍同一张照片。

为何常见：名字里带“金字塔”容易让人联想到图像金字塔，从而误以为是简单多尺度输入。

误区只要把模型换成带 FPN 的 SOTA 结构，小目标检测效果自然就上去了，数据不用管。

正解真实数据集中小目标占比往往极低——MS COCO 中小于 32×32 的目标只占约 10%，模型天然偏向学习样本多的大目标。结构再强，如果没有对遥感图或远景数据做小目标增广、复制粘贴、重采样，模型依然“看不见”小猫。结构是引擎，数据是汽油，缺一不可。

为何常见：开源榜单一讨论就是模型结构，实验的注意力容易被架构吸引，忽略了数据分布这个隐性瓶颈。

误区既然上下文有用，那我把网络的感受野做到最大，让每个特征都看到全图，小目标一定更强。

正解盲目的超大感受野会引入大量无关背景，反而稀释目标特征，就像寻猫时盯着整张城市地图，眼睛反而抓不住鱼市那个小红点。有效的上下文是有选择的：全局场景先验 + 区域邻接关系，而不是无差别地把所有背景都塞进特征里。上下文要“该看的看，不该看的忽略”。

为何常见：感受野和上下文都被理解为“看得更广”，让人误以为广就是好，忽略了选择的必要性。

面试题

Q1. 根据 COCO 数据集的经验标准，满足什么条件的目标被称为小目标？

单选题 · easy

  • A.面积小于 32×32 像素← 正确答案
  • B.面积小于 16×16 像素
  • C.面积小于 64×64 像素
  • D.面积小于 128×128 像素

答案：A。COCO 协议将面积小于 32×32 像素（即 1024 像素）的目标定义为小目标。16×16 过于严格，64×64 和 128×128 则是中目标甚至大目标的范畴。这把尺子的意义是让研究者有统一的对比基准。

Q2. 小目标经过深层 CNN 后特征信息不足，最本质的原因是什么？

单选题 · mid

  • A.stride 下采样使目标在特征图上坍缩成极少像素← 正确答案
  • B.小目标在图像中颜色太浅
  • C.原始图像文件被过度压缩
  • D.分类器训练轮数不够多

答案：A。深层 CNN 的 32 倍下采样把 32×32 的目标压缩成 1×1 的特征点，判别信息几乎消失。颜色、压缩、训练轮数都不是根本原因——即使颜色鲜艳，像素不够多照样无法提取轮廓特征。

Q3. FPN 中“自顶向下”路径的主要作用是什么？

单选题 · mid

  • A.高层语义与低层细节相互融合← 正确答案
  • B.缩小特征图来减少计算量
  • C.提高图像的整体亮度
  • D.对锚框进行聚类分析

答案：A。自顶向下路径把高层浓缩的语义信息上采样放大，逐层与低层细节融合，让“哪里可能有目标”和“目标长什么样”合二为一。它不负责减少计算或图像增强，也跟锚框聚类无关。

Q4. FPN 中的横向连接通常使用什么卷积？

单选题 · mid

  • A.1×1 卷积← 正确答案
  • B.7×7 卷积
  • C.5×5 卷积
  • D.空洞卷积

答案：A。1×1 卷积能在不改变空间尺寸的前提下完成通道压缩与融合，计算量小、实现简单，因此成为 FPN 横向连接的标准选择。大卷积核反而会引入额外计算与混合干扰。

Q5. 以下哪些方法能有效改善小目标检测？

多选题 · mid

  • A.使用高分辨率输入图像← 正确答案
  • B.利用上下文信息辅助← 正确答案
  • C.将训练图像缩小一半
  • D.引入特征金字塔融合← 正确答案

答案：ABD。高分辨率输入增加小目标像素、上下文提供场景线索、FPN 融合多尺度特征，三者都能缓解特征坍缩。把训练图像缩小一半反而让小目标像素更少，适得其反。

Q6. 输入图像边长放大 2 倍后，卷积层计算量大致变为多少？

单选题 · hard

  • A.扩大为原来的 2 倍
  • B.扩大为原来的 4 倍← 正确答案
  • C.保持大小不变
  • D.缩小为原来的一半

答案：B。计算量与输入像素总数成正比，宽高各放大 2 倍后像素总数为原来的 4 倍，所以计算量约扩大 4 倍。这也是为什么高分辨率方案必须配合切块检测或算力优化。

Q7. 以下哪些属于小目标检测的典型工业应用场景？

多选题 · easy

  • A.遥感图像中识别油罐与船只← 正确答案
  • B.自动驾驶检测远处行人← 正确答案
  • C.工业质检发现微小划痕← 正确答案
  • D.给照片添加美颜滤镜

答案：ABC。遥感油罐、海上船只、远景行人、微小划痕都只有极少像素，是小目标检测的典型战场。美颜滤镜属于图像编辑，不涉及目标检测任务。

Q8. 网络已带 FPN，只把锚框尺寸列表从 {32,64,128} 扩大到 {4,8,16}，对小目标提升有限，最本质的原因是什么？

单选题 · extreme

  • A.缺的不是锚框而是有效特征← 正确答案
  • B.小目标颜色通常偏暗
  • C.大锚框计算耗时太长
  • D.小目标不应有锚框

答案：A。锚框只是预置的候选位置，真正决定能否检出的是特征图上是否保留足够的判别信息。小目标经下采样后特征坍缩，即使锚框尺寸匹配，分类分支也认不出猫，必须靠 FPN、高分辨率输入或上下文补充特征。颜色和计算耗时都不是本质原因，小目标当然需要锚框匹配。

Q9. 在遥感影像中，GSD（地面采样距离）越小说明什么？

单选题 · mid

  • A.单个像素覆盖的地面越小，能看清更小目标← 正确答案
  • B.图像压缩率变得更高
  • C.无人机飞行高度变得更高
  • D.目标移动速度变得更快

答案：A。GSD 是单个像素对应的地面实际尺寸。GSD 越小，每个目标能占到的像素就越多，小目标自然更清晰。飞行高度越高 GSD 反而越大，压缩率和目标速度与 GSD 无直接关系。

Q10. 关于上下文信息在小目标检测中的使用，下列说法正确的有哪些？

多选题 · hard

  • A.全局上下文能先缩小搜索范围← 正确答案
  • B.上下文要与目标先验一致← 正确答案
  • C.盲目扩大感受野必然提升效果
  • D.区域上下文利用邻接物体线索← 正确答案

答案：ABD。全局上下文提供场景先验帮助缩小搜索范围，区域上下文利用邻居物体辅助判断，二者都要求与目标先验一致才有意义。盲目扩大感受野会引入无关背景，并不必然提升效果。