摘要
本文提出了一种用于目标检测的集中式特征金字塔（CFP），通过全局显式特征调节提升检测性能。CFP结合轻量级MLP与可学习视觉中心，捕捉全局长程依赖并聚合局部边角区域特征，弥补现有方法忽略层内特征调节的不足。实验表明，CFP在YOLOv5和YOLOX等基线模型上显著提升平均精度（mAP），同时保持较低计算开销。文章详细解析了CFP的架构设计、空间显式视觉中心（EVC）及全局集中式调节（GCR）机制，并通过消融实验验证其有效性。最后，与主流检测器对比显示，CFP在精度和速度上均优于现有方法。

关键词：特征金字塔；视觉中心；目标检测；注意力机制；长程依赖

---

1. 引言

目标检测是计算机视觉的核心任务之一，旨在定位并分类图像中的目标实例。随着卷积神经网络（CNN）的发展，基于特征金字塔的方法（如FPN、PANet）在多尺度目标检测中表现出色。然而，现有方法多关注层间特征交互，忽视了层内特征调节的重要性。尽管Transformer通过自注意力机制增强全局建模能力，但其计算复杂度高且易忽略局部边角区域。

本文提出集中式特征金字塔（CFP），结合轻量级MLP与可学习视觉中心（LVC），实现全局与局部特征的协同调节。CFP通过以下创新提升检测性能：

1. 空间显式视觉中心（EVC）：并行MLP与LVC模块，分别捕捉长程依赖与局部关键区域；
2. 全局集中式调节（GCR）：利用深层特征显式调节浅层特征，增强金字塔各层的判别力；
3. 高效计算设计：轻量化MLP替代复杂Transformer，平衡精度与速度。

实验表明，CFP在MS-COCO数据集上将YOLOv5和YOLOX的mAP最高提升1.6%，推理速度优于主流检测器。

---

2. 相关工作

2.1 特征金字塔

特征金字塔通过多尺度特征融合解决目标尺寸多样性问题。FPN通过自上而下路径融合深层语义与浅层细节；PANet增加自下而上路径强化特征共享；NAS-FPN通过架构搜索优化跨层连接。然而，这些方法未充分挖掘层内特征潜力。

2.2 视觉注意力机制

注意力机制（如Non-local、GCNet）通过权重分配增强关键区域表示。Transformer通过多头注意力建模全局关系，但计算复杂度高。MLP-Mixer等研究证明，纯MLP结构也能捕捉长程依赖，且更轻量。

2.3 目标检测框架

单阶段检测器（YOLO、SSD）直接预测边界框，速度快；两阶段检测器（Faster R-CNN）通过区域提议提升精度。本文选择YOLOv5和YOLOX为基线，结合CFP优化特征表示能力。

---

3. 方法设计

3.1 集中式特征金字塔（CFP）

CFP架构如图1所示，包含以下模块：

1. CNN骨干网络：提取五级特征金字塔 { x 0 , x 1 , x 2 , x 3 , x 4 } \{x_0, x_1, x_2, x_3, x_4\} {x0​,x1​,x2​,x3​,x4​}；
2. 显式视觉中心（EVC）：在顶层特征$x_4$上实现，融合MLP与LVC输出；
3. 全局集中式调节（GCR）：将$x_4$的视觉中心信息上采样并融合至浅层特征。

图1：CFP整体架构

3.2 显式视觉中心（EVC）

EVC由轻量级MLP和LVC模块并行组成，结构如图2所示：

图2：EVC模块结构

MLP模块：

• 输入特征经Stem块（7×7卷积+BN+ReLU）平滑处理；
• 深度卷积（DConv）与通道MLP（CMLP）串联，增强特征泛化能力：
  $${\tilde{X}}_{in}=DConv(GN(X_{in}))+X_{in}$$
  $$MLP(X_{in})=CMLP(GN({\tilde{X}}_{in}))+{\tilde{X}}_{in}$$

LVC模块：

• 可学习码本$B$与缩放因子$S$编码局部特征：
  $$e_k=\sum _{i=1}^N\frac{e^{-s_k\Vert {\check{x}}_i-b_k{\Vert }^2}}{{\sum }_{j=1}^K{e}^{-s_k\Vert {\check{x}}_i-b_k{\Vert }^2}}({\check{x}}_i-b_k)$$
• 融合码本信息并通过逐通道乘法增强特征：
  $$Z=X_{in}\otimes (\delta (Con{v}_{1\times 1}(e)))$$
  $$LVC(X_{in})=X_{in}\oplus Z$$

3.3 全局集中式调节（GCR）

GCR将顶层特征$x_4$的视觉中心信息逐层传递至浅层：

1. 上采样至与浅层特征相同尺寸；
2. 通道拼接后经1×1卷积压缩通道数；
3. 加权融合增强浅层特征的全局表示能力。

---

4. 实验与结果

4.1 实验设置

• 数据集：MS-COCO，训练集118k，验证集5k，测试集20k；
• 基线模型：YOLOv5（DarkNet53）、YOLOX（CSPNet v5）；
• 评估指标：mAP、GFLOPs、FPS、参数量。

4.2 消融实验

表1：EVC模块对YOLOv5/YOLOX的性能提升

模块	YOLOv5-L mAP	YOLOX-L mAP	Params (M)	GFLOPs
Baseline	46.2%	47.8%	47.0	109.5
+LVC	+1.0%	+1.3%	+0.8	+3.2
+MLP	+0.6%	+1.3%	+1.2	+4.1
+EVC	+1.4%	+1.4%	+2.0	+7.3

表2：MLP与注意力变体对比（YOLOX-L）

变体	mAP	延迟 (ms)
PoolFormer	47.8%	12.3
CSPM	47.7%	13.1
MLP（Ours）	49.1%	11.9
DWA	49.2%	14.7

4.3 与SOTA方法对比

表3：MS-COCO验证集性能对比

方法	mAP	FPS	Params (M)
YOLOv5-L	46.2%	98	47.0
YOLOX-L	47.8%	95	54.8
CFP_YOLOv5-L	47.6%	92	49.0
CFP_YOLOX-L	49.4%	90	56.8
EfficientDet-D3	47.5%	52	59.2

---

5. 结论与展望

CFP通过全局显式调节与局部特征增强，显著提升目标检测性能。未来工作将探索CFP在语义分割、实例分割等任务的扩展，并进一步优化计算效率。

可视化结果示例

图3：CFP_YOLOX-L在小目标与遮挡场景下的检测效果提升

---

参考文献与代码

• 代码开源地址：CFPNet
• 论文链接：arXiv