目标检测与多尺度特征

检测输出是一个可变长度实例集合

图像分类为整幅图输出类别，目标检测则输出若干对象，每个对象含类别、置信度和空间边界框。真实对象数未知，模型通常先产生固定或密集候选，再通过分数过滤和去重得到可变长度结果。背景不是一个需要输出框的实体，而是大量候选的负类状态。

数据合同要定义坐标原点、轴方向、像素边界是否闭合、框是否允许越界、图像缩放与填充如何反变换。训练增强后必须同步更新框；裁剪导致对象只剩一小部分时，要规定保留、截断或忽略。一个像素的约定差异对大框影响小，却可能显著改变小框 IoU。

框参数化必须可逆

轴对齐框常用角点 $(x_1,y_1,x_2,y_2)$ 或中心宽高 $(c_x,c_y,w,h)$。角点转中心为

相对参考框或锚框 $a=(a_x,a_y,a_w,a_h)$，目标框 $g$ 可编码为

解码时执行逆变换。中心偏移按锚宽高归一，宽高用对数保证解码为正并表达比例变化。实际实现可能加入均值标准化或限制指数范围，训练和推理必须使用相同参数。

无锚检测也需要参数化，例如每个位置预测到四边的距离或中心偏移与宽高。名称“无锚”不表示没有候选位置和匹配规则，只是参考几何不同。

IoU 衡量两个区域的相对重叠

两个框 $A,B$ 的交并比为

无重叠时为零，完全相同时为一。先对交集宽高取非负值；非法负宽高应在上游拒绝。IoU 不区分偏移方向，且无重叠时普通 IoU 对框回归缺少连续几何信号，因此训练可采用平滑 L1 或广义区域损失，评估仍按协议使用 IoU。

两阶段先提候选，再逐候选细化

两阶段检测器先由骨干特征产生类别无关或弱类别相关的候选区域，随后对每个候选提取固定形状区域特征，进行精细分类和框回归。候选阶段减少第二阶段需处理的区域数，区域对齐操作把不同大小候选映射到共同特征尺寸。

训练时第一阶段有自己的前景背景与框损失，第二阶段再次匹配候选与真实框。候选召回限制最终上限：真实对象若没进入候选集，第二阶段再强也无法恢复。两阶段并不自动更准确或更慢，结论取决于骨干、候选数、分辨率、硬件和实现。

一阶段在密集位置直接预测

一阶段检测器在一个或多个特征图位置直接输出类别、对象性与框。锚框方法为每位置放多个尺度和长宽比参考框；无锚方法常从位置预测中心性、四边距离或集合元素。它省去显式逐候选第二阶段，但面对数量巨大的背景位置，正负不平衡更突出。

多尺度特征把高分辨率浅层的定位细节与低分辨率深层的语义结合。不同层负责不同尺寸范围，匹配规则要与特征步幅一致。输入尺寸增大可给小目标更多像素，却平方级增加许多卷积计算与候选，不能只看召回。

匹配把候选分成正、负与忽略

锚框训练常根据与真实框的 IoU 设正阈值和负阈值，中间区域忽略，以减少边界标签噪声。还可保证每个真实框至少匹配一个最佳候选。若多个真实框都竞争同一候选，需要明确最大 IoU、中心约束或一对一分配规则。集合式检测可用全局二分匹配，使每个预测与真实对象最多一对一。

匹配依赖增强后的坐标和有效区域。落在填充区的候选、跨越忽略标注的候选和极小框应有明确掩码。错误把忽略样本当背景会惩罚模型检测未完整标注对象。

分类与回归损失只在相应样本上计算

分类分支可用交叉熵，对象性分支区分前景背景。背景远多于前景时，可下采样易负例、采用困难样本策略或使用降低易例权重的焦点式损失。任何重新加权都改变训练目标，应在相同评估协议下验证，而不是把训练损失大小直接横比。

框回归只对正匹配候选计算，可用平滑 L1 作用于编码偏移，或用 IoU 家族损失直接比较区域。不同坐标分量和尺度要归一，否则大框可能主导绝对像素误差。总损失常为若干分支加权和；权重影响梯度尺度和折中，需要记录每项未加权损失及梯度。

类别标签正确但框标注松紧不一致，会给回归加入不可约噪声。旋转物体用轴对齐框会包含大量背景，任务若需要方向应改表示和 IoU，而非期望模型从错误目标中恢复。

NMS 在推理时去除重复预测

经典非极大值抑制通常逐类别进行：按置信度降序，保留最高分框，删除与它 IoU 超过阈值的较低分框，重复到候选为空。置信度阈值先控制进入候选的框，NMS IoU 阈值控制重复抑制，二者语义不同。

跨类别 NMS 可能误删重叠的不同类别对象，逐类别 NMS 又可能保留同一对象的多个冲突类别；选择取决于标签是否互斥。框裁剪、最小尺寸过滤和 NMS 顺序也会改变结果，评估前必须冻结。

precision–recall 从全数据置信排序构造

对某一类别和指定评估 IoU 阈值，汇总数据集预测并按置信度降序。依次处理每个预测：只与同一图像、同类且尚未匹配的真实框比较；若最佳 IoU 达标则记真阳性并占用该真实框，否则记假阳性。对同一真实对象的第二个重复框即使 IoU 很高也是假阳性。

在排序前 $k$ 个预测处，精确率为累计真阳性除以 $k$，召回率为累计真阳性除以该类真实框总数。改变置信阈值就是沿曲线选择一个工作点。AP 是曲线面积或按规定召回点插值；不同数据集使用的 IoU 阈值集合、插值、忽略区域、最大检测数和尺寸分组不同，必须报告协议。

宏平均让每类权重相同，包含无标注类别的处理也需定义。微平均、按实例频数加权与 mAP 回答不同问题。部署还应报告实际分数阈值下的精确率、召回、每图框数、延迟和校准，而非只用曲线面积。

小目标同时受采样、匹配和评估影响

小目标在下采样后只占少数特征单元，位置量化误差会显著降低 IoU。可使用更高分辨率特征、较小步幅、多尺度融合和与尺寸匹配的候选；但高分辨率增加显存和背景候选。随机裁剪可能删掉小目标，缩放增强可能把它缩到不可标注，必须设几何下限。

正例稀少不仅是类别比例问题，也是空间候选比例问题。分层采样、焦点式加权和中心约束可减少易背景主导，但过强过滤会损失困难负例。按对象尺寸、拥挤度、遮挡和类别频数报告召回与定位误差，才能区分骨干分辨率、匹配和分类故障。

标注和部署边界

边界框标注具有松紧、遮挡截断和可见区域或完整区域的约定。漏标对象会把真实前景当背景训练和评估；类别层级不一致会制造冲突。抽样审阅框叠加、尺寸分布、每图实例数和重复标注一致性，是模型前的必要证据。

部署中的相机分辨率、长宽比、压缩和对象尺度若超出训练范围，多尺度结构也不提供无条件外推。评估应保持整图或视频单位隔离，避免相邻帧跨切分。视频逐帧 mAP 还不能代表轨迹稳定，需要额外时序指标。

练习

关系与资源

• 卷积网络架构与残差连接 提供骨干和多尺度特征。
• 损失函数与风险 支持分类、对象性与框回归目标。
• 分类、回归指标与基线 连接阈值、PR和不确定性。
• 离散卷积、感受野与参数共享 解释步幅与小目标采样。
• 语义分割、实例分割与密集预测 延伸框到像素级实例轮廓。
• 几何、数据偏差与计算机视觉综合复习 汇总视觉任务边界。