在目標檢測技術(shù)的演進歷程中，“密集預(yù)測” 始終是實現(xiàn)高精度與實時性平衡的核心方向之一 —— 其核心邏輯是在圖像的全空間范圍內(nèi)生成預(yù)測，通過密集覆蓋潛在目標位置，減少漏檢風(fēng)險。然而，傳統(tǒng)單階段密集預(yù)測算法（如 YOLO v1、SSD）長期面臨 “類別不平衡” 的致命瓶頸：密集的預(yù)測位置中，絕大多數(shù)屬于背景（負樣本），僅有極少數(shù)是目標（正樣本），這種極端失衡導(dǎo)致模型訓(xùn)練偏向于簡單負樣本，對難分目標（如小目標、遮擋目標）的學(xué)習(xí)不足，最終精度遠低于兩階段算法（如 Faster R-CNN）。正是在這一技術(shù)困境下，RetinaNet 于 2017 年被提出，其創(chuàng)新性地將 “特征金字塔網(wǎng)絡(luò)（FPN）” 與 “Focal Loss” 深度結(jié)合，既通過 FPN 構(gòu)建了支持多尺度目標的密集預(yù)測架構(gòu)，又通過 Focal Loss 解決了類別不平衡導(dǎo)致的訓(xùn)練低效問題，首次實現(xiàn)了單階段密集預(yù)測算法在精度上超越兩階段算法，為后續(xù)單階段目標檢測的爆發(fā)式發(fā)展奠定了范式基礎(chǔ)。本文將系統(tǒng)闡述 RetinaNet 中密集預(yù)測的技術(shù)原理、實現(xiàn)架構(gòu)、性能突破及應(yīng)用價值，揭示其在目標檢測技術(shù)演進中的里程碑意義。

RetinaNet 中密集預(yù)測的核心前提是構(gòu)建 “多尺度特征表達體系”，而這一體系的實現(xiàn)依賴于特征金字塔網(wǎng)絡(luò)（FPN）的引入。在傳統(tǒng)單階段算法（如 SSD）中，雖也利用多尺度特征圖進行檢測，但不同層級的特征圖相互獨立，淺層特征圖（負責(zé)小目標）缺乏深層語義信息支撐，對小目標的類別區(qū)分能力有限；深層特征圖（負責(zé)大目標）雖語義豐富，但分辨率低，對目標細節(jié)的捕捉不足。RetinaNet 的 FPN 架構(gòu)則通過 “自上而下的特征融合” 與 “橫向連接”，打破了這種層級割裂：首先，基礎(chǔ)網(wǎng)絡(luò)（如 ResNet）自下而上提取特征，生成不同分辨率的特征圖（稱為 “骨干特征圖”），淺層特征圖（如 C2）分辨率高、感受野小，深層特征圖（如 C5）分辨率低、感受野大；隨后，自上而下的路徑將深層高語義特征圖（如 C5）通過上采樣（如 2 倍插值）提升至與淺層特征圖相同分辨率，同時通過橫向連接將骨干網(wǎng)絡(luò)中對應(yīng)層級的淺層特征圖（如 C4）與上采樣后的深層特征圖融合 —— 這種融合既保留了淺層特征圖的細節(jié)信息（如小目標的邊緣、紋理），又補充了深層特征圖的語義信息（如小目標的類別特征），最終生成一組 “語義 - 細節(jié)均衡” 的多尺度特征圖（稱為 “預(yù)測特征圖”，如 P3 至 P7）。

這組預(yù)測特征圖構(gòu)成了 RetinaNet 密集預(yù)測的 “空間基座”：每個預(yù)測特征圖對應(yīng)特定尺度的目標，P3（分辨率最高）負責(zé)檢測小目標（如 32×32 像素以下），P7（分辨率最低）負責(zé)檢測大目標（如 256×256 像素以上），中間層級（P4、P5、P6）覆蓋中等尺度目標；同時，每個預(yù)測特征圖上的每個空間位置都作為預(yù)測單元，生成多個不同寬高比的錨點（Anchor），這些錨點以密集網(wǎng)格的形式覆蓋整個圖像空間 —— 例如，每個位置生成 9 個錨點（3 種尺度 ×3 種寬高比），一張 512×512 輸入圖像最終會生成超過 10 萬個錨點，這種 “全尺度 + 全空間” 的錨點覆蓋，確保了對圖像中任意位置、任意尺度目標的密集捕捉，從根本上解決了傳統(tǒng)算法對小目標、邊緣目標的漏檢問題。