111、ASFF 与 BiFPN 的混合设计：加权融合加自学习权重的双重自适应 Neck

111、ASFF 与 BiFPN 的混合设计：加权融合加自学习权重的双重自适应 Neck

去年年底调一个无人机小目标检测项目，被Neck部分折腾得够呛。BiFPN加进去，AP是小涨了一点，但到了黄昏场景直接崩了——光照不均匀导致多尺度特征之间的置信度差异巨大，BiFPN那套固定的加权策略根本扛不住。后来翻YOLOv5的issue区，看到有人提ASFF的思路，突然意识到：为什么不把ASFF的空间自适应和BiFPN的跨尺度加权揉在一起？

这个想法在v11上跑了三周，最终方案叫ASFF-BiFPN Hybrid Neck，核心就一句话：让网络自己决定什么时候用BiFPN的跨层融合，什么时候用ASFF的空间重标定。下面直接上代码，注释里全是踩过的坑。

问题本质：BiFPN的“伪自适应”陷阱

BiFPN的加权融合公式大家都很熟：O = Σ(wi * Ii) / (Σ(wj) + ε)。看着是学习权重，实际上每个通道共享同一个标量权重。遇到这种情况就完蛋了：

• 小目标在浅层特征图上响应强，但背景噪声也大
• 大目标在深层特征图上语义清晰，但位置精度差
• BiFPN的标量权重只能整体调高或调低某一层的贡献，无法在空间位置上做差异化

我试过把BiFPN的权重改成逐通道的，参数量上去了，效果反而下降——过拟合了。ASFF的思路更暴力：对每一层特征图，学习一个空间注意力图，然后逐像素加权融合。但ASFF的问题