一、自适应空间特征融合
1、功能：再学习空间过滤时，抑制跨尺度特征
2、问题：针对单节段目标检测多尺度特征不一致问题，
3、单阶段检测使用不同层级的特征去检测不同尺寸的目标，（低层→小目标、高层→大目标），
二、两大矛盾
1、语义不一致，再低层次时候，细节丰富但是语义弱，再高层次的时候语义强但是细节少，
直接拼接会造成，导致 "小目标被高层语义掩盖、大目标丢失低层细节"；
2、空间一致：不同的尺度分辨率不同，（如 P3 是 64×64，P5 是 16×16）
上下采样后空间对齐误差大。同一目标在不同尺度特征中的位置、形状存在偏差。
三、ASFF 的核心原理：空间自适应加权融合
1、ASFF针对每个空间位置，去学习不同尺度额权重，实现局部最优融合，并非全局
2、统一分辨率：对不同的输入尺度，使用上下采样变的统一/如 ASFF-L0 对应 P3 尺度，将 P4、P5 上采样到 P3 的分辨率）。
3、空间权重，为每个位置分为尺度权重，
4、加权融合，生成最终特征
讲对齐后的三个尺度特征，按照空间权重图挨个像素加权求和，得到后的融合特征
一、特征金字塔的主要问题是跨尺度特征冲突
1、再单阶段检测中，特征金字塔的不同层对应不同的尺度---（低层→小目标、高层→大目标）；
2、当图像同时包含大小目标i哦，不同层级的特征会出现正负样本冲突----
（如小目标在高层特征中被误判为背景，大目标在低层特征中被误判为前景）；
二、ASFF解决
自适应空间特征融合，
1、将不同尺度对其导统一分辨率
2、为每个空间位置学习不同尺度的权重，
3、保留的特征进行融合
三、ASFF融合机制
1、层次对齐，特征金字塔的不同层级，先将其他层级的特征上下参，和当前层级额分辨率一致
2、空间加权融合，对齐后的三个尺度特征，学习三个空间权重，最后挨个加权融合
3、检测分支
每个ASFF模块输出直接链接检测头，实现多尺度目标的识别
四、核心价值
1、ASFF ，通过层次对齐，空间自适应加权，动态解决多尺度特征的语义空间冲突
2、小目标区域强化低层次特征的权重，大目标会强化高层次的特征权重
3、几乎不增加计算开销，同时显著提升检测精度，是单阶段检测器中 "效率 - 精度" 平衡的关键模块
五、ASFF，融合机制，
1、特征金字塔的三个层级，将其他层次的特征使用上下采样，将分辨率变得一致
2、空间自适应加权，每个空间位置设置三个尺度的权重，通过加权求和的融合特征，
3、检测分支，每个ASSFF模块输出简介检测头
六、ASFF技术实现
一、特征尺度调整
1、上采样，使用1*1的卷积压缩通道，再使用双线性插值方法分辨率
2、下采样，通过带步长的卷积，同步调整通道数和分辨率
二、自适应融合
1、对 调整后的三个尺度特征，学习三个空间权重图，满足相加为1，
四、ASFF 的特征权重可视化
1、融合特征的效果：
权重图能动态强化对应尺度的有效特征，过滤无关信息，提升多尺度目标的检测精度
2、可视化只管的验证了ASFF的空间自适应加权的有效性，通过学习不同的尺度特征的权重，能够更加针对的去融合多尺度信息，