2.3 特征金字塔输出（P3/P4/P5）

2.3 特征金字塔输出P3/P4/P5CSPDarknet骨干网络通过多级下采样构建了三层特征金字塔分别标记为P3、P4与P5。这三层特征图构成了目标检测的多尺度基础各自承担不同尺寸目标的检测职责并通过与颈部网络的衔接实现特征融合与增强。三个检测层的感受野与适用目标尺寸骨干网络在下采样过程中逐步扩大感受野并提取抽象语义特征。以标准输入尺寸六百四十乘六百四十为基准三层输出特征图的空间分辨率与感受野特性呈现明确的层级关系。P3层经过三次下采样操作空间分辨率降至八十乘八十对应输入图像的八分之一尺寸。该层每个特征像素的感受野约为输入图像中的八乘八像素区域保留了丰富的细粒度纹理与边缘信息适用于检测尺寸在八乘八像素以上的小型目标。由于空间分辨率最高P3层对小目标的定位精度具有关键作用能够捕捉微小物体的细节特征。P4层经过四次下采样空间分辨率为四十乘四十对应输入图像的十六分之一。该层感受野扩展至十六乘十六像素区域适用于检测中等尺寸目标。P4层在语义抽象程度与空间分辨率之间取得平衡既能理解物体的类别语义又保持了相对精确的位置信息是检测中等尺寸物体的核心层级。P5层经过五次下采样空间分辨率为二十乘二十对应输入图像的三十二分之一。该层感受野覆盖三十二乘三十二像素区域具有最强的语义抽象能力适用于检测大型目标。由于经过深度特征提取P5层对物体的整体形状与类别语义具有最强的表征能力但空间细节已大量损失对精确定位大目标边缘的能力相对较弱。上图展示了三层检测头的结构关系。输入图像经过卷积神经网络处理后在三个不同层级生成特征图每个特征图对应不同尺度的检测任务。每个网格单元预测三个边界框输出维度包含边界框坐标、置信度与类别概率。通过非极大值抑制后处理最终生成检测结果。三层特征图的检测职责可通过以下伪代码描述Python复制def assign_detection_layer(target_size, input_size640): # 计算目标相对于输入图像的尺寸比例 relative_size target_size / input_size # 根据相对尺寸分配检测层 if relative_size 0.1: # 小于64x64像素 # P3层负责高分辨率小感受野 assigned_layer P3 # 80x80特征图 stride 8 elif relative_size 0.2: # 64x64到128x128像素 # P4层负责中等分辨率中等感受野 assigned_layer P4 # 40x40特征图 stride 16 else: # 大于128x128像素 # P5层负责低分辨率大感受野 assigned_layer P5 # 20x20特征图 stride 32 return assigned_layer, stride在实际训练中目标根据其在特征图上的投影位置被分配至特定层级。若目标中心落入某个网格单元则该单元负责检测该目标且根据目标尺寸选择最合适的特征层。这种分配机制确保小目标优先由P3层检测中等目标由P4层处理大目标则由P5层负责。特征图可视化与通道数分析三层特征图的通道数配置遵循逐层递增的原则以容纳从低级到高级的语义信息。在YOLOv5标准配置中P3层输出通道数为二百五十六P4层为五百一十二P5层为一千零二十四。这种通道数设计使得深层特征能够编码更丰富的语义概念同时保持与后续颈部网络的维度匹配。上图详细展示了YOLOv5骨干网络的结构与数据流。从输入层开始特征图经过Focus层与多级CSP模块处理空间分辨率逐步降低而通道数逐步增加。右侧标注了每个阶段的空间分辨率与通道数变化清晰展示了P3、P4、P5三层特征图的生成过程。横向连接线表示特征从骨干网络向颈部网络的传递路径。特征图的可视化分析揭示了不同层级的表征特性。P3层特征保留了丰富的边缘与纹理信息响应区域集中在物体的局部细节P4层特征开始呈现部件级别的激活模式对物体的组成部分形成响应P5层特征则表现出完整的物体级激活具有最强的类别判别能力。通过Grad-CAM等可视化技术可以观察到P3层的注意力分布较为分散覆盖物体的多个局部区域P5层的注意力则高度集中在物体的语义中心区域。通道数的几何级数增长二百五十六到五百一十二到一千零二十四反映了特征复杂度的层级提升。P3层的二百五十六个通道主要编码低级视觉特征如边缘方向、颜色对比度与简单纹理模式。P4层的五百一十二个通道开始整合低级特征形成中级语义表征如物体部件的轮廓与区域特征。P5层的一千零二十四个通道则编码高级语义概念能够区分不同类别的完整物体对复杂场景的全局上下文具有建模能力。Backbone输出与Neck输入的衔接点骨干网络与颈部网络的衔接通过精确的横向连接实现确保特征在不同尺度间的有效传递与融合。在CSPDarknet的末端P3、P4、P5三层特征图通过特定索引位置被提取并传递至PANet结构的对应层级。上图展示了YOLOv5从骨干网络到检测头的完整特征流。左侧Backbone部分通过C3模块与卷积层逐级提取特征生成C3、C4、C5三个层级的特征图对应P3、P4、P5。这些特征通过横向连接黑色箭头传递至右侧Head部分经过上采样、拼接与融合后生成最终的检测特征。具体衔接机制如下P5层特征首先经过SPPF模块处理增强多尺度上下文信息随后直接进入颈部网络的顶层。P4层特征从骨干网络的第四个CSP模块输出通过横向连接与经过上采样的P5层特征在通道维度上拼接。P3层特征从骨干网络的第三个CSP模块输出同样通过横向连接与经过二次上采样的融合特征拼接。这种自顶向下的特征传递路径确保深层语义信息能够有效传递至浅层增强浅层特征的语义判别能力。颈部网络的特征融合遵循明确的计算图结构。顶层特征首先经过一乘一卷积进行通道压缩随后通过最近邻插值上采样至与下层特征相同的空间分辨率。上采样后的特征与来自骨干网络的横向特征在通道维度上拼接拼接后的高维特征再经过CSP模块进行融合处理生成该层级的最终输出特征。这种设计使得每一层级的输出特征都融合了来自深层的语义信息与来自浅层的定位信息形成对多尺度目标检测的最优表征。衔接点的通道数匹配通过精心设计的卷积层实现。当深层特征上采样后与浅层特征拼接时两者的通道数之和可能超过后续处理模块的承受能力。因此在拼接之前深层特征通常经过一乘一卷积进行通道压缩而横向连接的浅层特征保持原始通道数。这种不对称设计确保了融合后的特征维度可控同时最大程度保留了浅层特征的细节信息。通过上述衔接机制骨干网络提取的三层特征金字塔被有效注入颈部网络经过双向融合后生成增强的多尺度特征为检测头的精准预测奠定了坚实基础。