目标检测中的类别漏检问题该怎么解决？

Stemblock 结构是 PeleeNet 中用于下采样的方法。该模块能够确保较强的特征表达能力且能够减少大量的参数。其结构如下图所示：

该结构首先将输入特征图进行卷积核大小为为3 × 3的卷积操作，其主要的目的是改变特征图的通道数。然后网络结构分为两个支路，特征图也分为两部分，一部分特征图进行最大值池化，另一部分特征图先进行1 × 1的卷积降低一半的通道数，之后再进行3 × 3，步长为 2 的卷积实现第二次下采样。两个分支的输出结果按通道这一维度进行拼接，最后再进行一次1 × 1的卷积还原通道的数量。与原始的卷积操作相比，Stemblock 结构最主要减少参数量的操作就是在其中一个分支引入了瓶颈层，先将通道数量减少，再进行下采样，另一分支将原始输入进行最大值池化再进行拼接，目的是将输入中的部分信息进行传递，保证最终的结果在减少参数量的基础上仍具备足够的语义信息，不会造成信息的过度损失。

由上图可以看到原始 Stemblock 结构最终将输出的尺寸缩减为输入的 1/4，参照 Stemblock 结构并对其进行修改使其只完成一次下采样即可，主要目的是替代 YOLOv5 网络模型中原始的卷积下采样操作，减少参数量。因此最终使用的修改后的 stemblock 结构如下图所示：

微信公众号：人工智能感知信息处理算法研究院

知乎主页：AI高级人工智能