ASFF算法

1.特征金字塔的缺点：对于单发检测器，在不同尺度上的不一致。

2.采用启发式引导的特征选择:大实例通常与上层特征映射相关联，小实例与下层特征映射相关联。

3.解决的问题：如果一幅图像同时包含大小目标，则不同层次特征之间的冲突往往占据特征金字塔的主要部分。这种不一致性干扰了训练过程中的梯度计算，降低了特征金字塔的有效性。

4.这个问题存在的原因：当一个对象在某一层特征图中被赋值并被视为正值时，其他层特征图中相应的区域被视为背景。

5.前人的解决方案：（1）将相邻层的特征图对应区域设置为忽略区域(即零梯度)，但这种减弱可能会增加特征相邻层的劣质预测

（2）TridentNet[19]创建多个特定于尺度的分支，具有不同的接收域，用于尺度感知训练和推断。它脱离了特征金字塔，以避免不一致，但也没有重用其高分辨率的地图，限制了小实例的准确性。

6.该论文的解决方案(该部分未理解)

（1）自适应空间特征融合(ASFF)：该方法使网络能够直接学习如何在其他层次上对特征进行空间过滤，从而只保留有用的信息进行组合。对于某一层的特征，首先将其他层的特征进行融合并调整到相同的分辨率，然后训练得到最优融合。在每个空间位置上，对不同层次的特征进行自适应融合，即某些特征在该位置上携带矛盾信息而被过滤掉，而另一些特征则以更具辨析性的线索占主导地位。

(2)优点：[1]由于搜索最优融合的运算是差分的，便于反向传播学习;[2]与主干模型无关，适用于特征金字塔结构的单发检测器;[3]实现简单，增加的计算成本是边际的。