百检布料检测报告:
检测周期：7-10个工作日
检测费用：免费初检，初检之后根据客户检测需求以及实验复杂程度进行报价。
布料检测范围
织造方式：梭织布料，针织布料等。
加工工艺：坯布料，漂白布料，染色布料，印花布料，色织布料，丝绸，混纺布料，彩色胶布料等。
原材料：棉布料，化纤布料，麻布料，毛纺布料，丝绸，混纺布料，尼龙布料，法兰绒布料，pvc布料等。
功能型：纺织布料，防水布料，硅胶涂层布料等。
布料检测项目
常规检测：颜色检测，环保检测，防紫外线检测，湿度检测，pH值检测，破裂强度测试，甲醛检测，染色检测，含棉量检测，抗起毛气球检测，透气性检测，撕裂强度测试，尺寸稳定性检测等。
色牢度检测：水洗色牢度检测、摩擦色牢度检测、汗渍色牢度、水/海水色牢度、氯水色牢度等。
成分分析项目：成分检测，纤维成分检测，含量检测，成分分析等。
布料检测报告有哪些用途?能帮您解决那些问题?
1、销售报告。(销售需要提供第三方检测报告，让自己的产品更具有性，让产品的数据来说话，让客户更加信赖自己的产品质量。)
2、工业诊断报告。(碰到一些关于成分的棘手问题，通过第三方检测数据来找到问题的原因，及时的解决问题。)
3、改善产品质量。(通过第三方检测数据对比发现自身产品的问题，改善产品问题，提高质量，降低生产成本)
4、科研论文数据使用。
5、产品进出口使用。
布料检测标准
AS3538-1988纺织品拖把用布料
AS3567-1988纺织品布料鸭绒棉花及聚酯纤维
AS4174-1994人造遮光布料
ASTMD4720-2008家用软窗帘布料性能规格
BS3090-1978测定亚麻布料的铜氨流动度的试验
BS3090-1978(R2007)测定亚麻布料的铜氨流动度的试验
BS6645-1985亚麻布料的碱溶性的测定
BS6645-1985(R2007)亚麻布料的碱溶性的测定
ISO22608-2004防护服对液态化学制品的防护斥水性、持水性和液体农药药剂渗入防护服布料性能的测定
KSK0117-1996洗涤后布料和成衣的偏斜度试验
KSK0473-2001布料尺寸稳定性试验
自己组合~~~~
服装面料就是用来制作服装的材料。作为服装三要素之一，面料不仅可以诠释服装的风格和特性，而且直接左右着服装的色彩、造型的表现效果。
在服装大世界里，服装的面料五花八门，日新月异。但是从总体上来讲，优质、高档的面料，大都具有穿著舒适、吸汗透气、悬垂挺括、视觉高贵、触觉柔美等几个方面的特点。
制作在正式的社交场合所穿著的服装，宜选纯棉、纯毛、纯丝、纯麻制品。以这四种纯天然质地面料制作的服装，大都档次较高。有时，穿著纯皮革制作的服装，也是允许的。
我们将不同材质面料的造型特点以及在服装设计中的运用简单介绍如下。
1.柔软型面料 柔软型面料一般较为轻薄、悬垂感好，造型线条光滑，服装轮廓自然舒展。柔软型面料主要包括织物结构疏散的针织面料和丝绸面料以及软薄的麻纱面料等。柔软的针织面料在服装设计中常采用直线型简练造型体现人体优美曲线；丝绸、麻纱等面料则多见松散型和有褶裥效果的造型，表现面料线条的流动感。
2．挺爽型面料 挺爽型面料线条清晰有体量感，能形成丰满的服装轮廓。常见有棉布、涤棉布、灯芯绒、亚麻布和各种中厚型的毛料和化纤织物等，该类面料可用于突出服装造型精确性的设计中，例如西服、套装的设计。
3．光泽型面料 光泽型面料表面光滑并能反射出亮光，有熠熠生辉之感。这类面料包括缎纹结构的织物。最常用于夜礼服或舞台表演服中，产生一种华丽耀眼的强烈视觉效果。光泽型面料在礼服的表演中造型自由度很广，可有简洁的设计或较为夸张的造型方式。
4．厚重型面料 厚重型面料厚实挺刮，能产生稳定的造型效果，包括各类厚型呢绒和绗缝织物。其面料具有形体扩张感，不宜过多采用褶裥和堆积，设计中以A型和H型造型最为恰当。
5．透明型面料 透明型面料质地轻薄而通透，具有优雅而神秘的艺术效果。包括棉、丝、化纤织物等，例如乔其纱、缎条绢、化纤的蕾丝等。为了表达面料的透明度，常用线条自然丰满，富于变化的H型和圆台型设计造型。
下面，对常见的服装面料的特性分别作一些简单的介绍。
1、棉布
是各类棉纺织品的总称。它多用来制作时装、休闲装、内衣和衬衫。它的优点是轻松保暖，柔和贴身、吸湿性、透气性甚佳。它的缺点则是易缩、易皱，外观上不大挺括美观，在穿著时必须时常熨烫。
2、麻布
是以大麻、亚麻、苎麻、黄麻、剑麻、蕉麻等各种麻类植物纤维制成的一种布料。一般被用来制作休闲装、工作装，目前也多以其制作普通的夏装。它的优点是强度极高、吸湿、导热、透气性甚佳。它的缺点则是穿著不甚舒适，外观较为粗糙，生硬。
3、丝绸
是以蚕丝为原料纺织而成的各种丝织物的统称。与棉布一样，它的品种很多，个性各异。它可被用来制作各种服装，尤其适合用来制作女士服装。它的长处是轻薄、合身、柔软、滑爽、透气、色彩绚丽，富有光泽，高贵典雅，穿著舒适。它的不足则是易生折皱，容易吸身、不够结实、褪色较快。
4、呢绒
又叫毛料，它是对用各类羊毛、羊绒织成的织物的泛称。它通常适用以制作礼服、西装、大衣等正规、高档的服装。它的优点是防皱耐磨，手感柔软，高雅挺括，富有弹性，保暖性强。它的缺点主要是洗涤较为困难，不大适用于制作夏装。
5、皮革
是经过鞣制而成的动物毛皮面料。它多用以制作时装、冬装。又可以分为两类：一是革皮，即经过去毛处理的皮革。二是裘皮，即处理过的连皮带毛的皮革。它的优点是轻盈保暖，雍容华贵。它的缺点则是价格昂贵，贮藏、护理方面要求较高，故不宜普及。
6、化纤
是化学纤维的简称。它是利用高分子化合物为原料制作而成的纤维的纺织品。通常它分为人工纤维与合成纤维两大门类。它们共同的优点是色彩鲜艳、质地柔软、悬垂挺括、滑爽舒适。它们的缺点则是耐磨性、耐热性、吸湿性、透气性较差，遇热容易变形，容易产生静电。它虽可用以制作各类服装，但总体档次不高，难登大雅之堂。
7、混纺
是将天然纤维与化学纤维按照一定的比例，混合纺织而成的织物，可用来制作各种服装。它的长处，是既吸收了棉、麻、丝、毛和化纤各自的优点，又尽可能地避免了它们各自的缺点，而且在价值上相对较为低廉，所以大受欢迎。
本章主要介绍这几大类服装面料的性质、特点和鉴别方法等知识。
第一节 服装面料成分的鉴别
鉴别服装面料成分的简易方法是燃烧法。做法是在服装的缝边处抽下一缕包含经纱和纬纱的布纱，用火将其点燃，观察燃烧火焰的状态，闻布纱燃烧后发出的气味，看燃烧后的剩余物，从而判断与服装耐久性标签上标注的面料成分是否相符，以辨别面料成分的真伪。
一、棉纤维与麻纤维
棉纤维与麻纤维都是刚近火焰即燃，燃烧迅速，火焰呈黄色，冒蓝烟。二者在燃烧散发的气味及烧后灰烬的区别是，棉燃烧发出纸气味，麻燃烧发出草木灰气味；燃烧后，棉有极少粉末灰烬，呈黑或灰色，麻则产生少量灰白色粉末灰烬。
二、毛纤维与真丝
毛遇火冒烟，燃烧时起泡，燃烧速度较慢，散发出烧头发的焦臭味，烧后灰烬多为有光泽的黑色球状颗粒，手指一压即碎。真丝遇火缩成团状，燃烧速度较慢，伴有咝咝声，散发出毛发烧焦味，烧后结成黑褐色小球状灰烬，手捻即碎。
三、锦纶与涤纶
锦纶学名聚酰胺纤维，近火焰即迅速卷缩熔成白色胶状，在火焰中熔燃滴落并起泡，燃烧时没有火焰，离开火焰难继续燃烧，散发出芹菜味，冷却后浅褐色熔融物不易研碎。涤纶学名聚酯纤维，易点燃，近火焰即熔缩，燃烧时边熔化边冒黑烟，呈黄色火焰，散发芳香气味，烧后灰烬为黑褐色硬块，用手指可捻碎。
四、腈纶与丙纶
腈纶学名聚丙烯腈纤维，近火软化熔缩，着火后冒黑烟，火焰呈白色，离火焰后迅速燃烧，散发出火烧肉的辛酸气味，烧后灰烬为不规则黑色硬块，手捻易碎。丙纶学名聚丙烯纤维，近火焰即熔缩，易燃，离火燃烧缓慢并冒黑烟，火焰上端黄色，下端蓝色，散发出石油味，烧后灰烬为硬圆浅黄褐色颗粒，手捻易碎。
五、维纶与氯纶
维纶学名聚乙烯醇缩甲醛纤维，不易点燃，近焰熔融收缩，燃烧时顶端有一点火焰，待纤维都融成胶状火焰变大，有浓黑烟，散发苦香气味，燃烧后剩下黑色小珠状颗粒，可用手指压碎。氯纶学名聚氯乙烯纤维，难燃烧，离火即熄，火焰呈黄色，下端绿色白烟，散发刺激性刺鼻辛辣酸味，燃烧后灰烬为黑褐色不规则硬块，手指不易捻碎。
六、氨纶与氟纶
氨纶学名聚氨基甲酸酯纤维，近火边熔边燃，燃烧时火焰呈蓝色，离开火继续熔燃，散发出特殊刺激性臭味，燃烧后灰烬为软蓬松黑灰。氟纶学名聚四氟乙烯纤维，ISO组织称其为萤石纤维，近火焰只熔化，难引燃，不燃烧，边缘火焰呈蓝绿碳化，熔而分解，气体有毒，熔化物为硬圆黑珠。氟纶纤维在纺织行业常用于制造高性能缝纫线。
七、粘胶纤维与铜铵纤维
粘胶纤维易燃，燃烧速度很快，火焰呈黄色，散发烧纸气味，烧后灰烬少，呈光滑扭曲带状浅灰或灰白色细粉末。铜铵纤维俗名虎木棉，近火焰即燃烧，燃烧速度快，火焰呈黄色，散发酯酸味，烧后灰烬极少，仅有少量灰黑色灰。
第二节 纯毛面料的鉴别
纯毛面料色泽自然柔和、保暖效果好、是制作高档西服和大衣的首选面料。但现在仿毛织品越来越多，随着纺织工艺的提高，已达到了大多数顾客难以鉴别的水平，但色泽、保暖性、手感等还远远不及纯毛面料。下面介绍几种鉴别纯毛面料的方法，供您在挑选服装和面料时参考。
一、手摸感。纯毛面料通常手感柔滑，长毛的面料顺毛摸手感柔滑，逆毛有刺痛感。而混纺或纯化纤品，有的欠柔软，有的过于柔软松散，并有发粘感。
二、看色泽。纯毛面料的色泽自然柔和，鲜艳而无陈旧感。相比之下，混纺或纯化纤面料，或光泽较暗，或有闪色感。
三、看弹性。用手将物捍紧，然后马上放开，看织物弹性。纯毛面料回弹率高，能迅速恢复原状，而混纺或化纤产品，则抗皱性较差，大多留有较明显的褶皱痕迹，或是复原缓慢。
四、燃烧法鉴别。取一束纱线，用火烧，纯毛纤维气味象烧头发，化纤面料的气味象烧塑料。燃烧后的颗粒越硬说明化纤成分越多。
五、单根鉴别。所有动物的毛在显微镜下看是有鳞片的，如果是长毛面料的话只要取一根毛象上图一样搓几下就会向上或向下移动（为了掌握这一技巧可先拿一根头发做试验），如果是普通织物，抽取一根纱线，剪2厘米的两段拆成一根一根的纤维放在手心里搓四五下，看它们会不会移动。
第三节 毛纺原料
目前，市场上的毛织物所采用的动物毛纤维，大致有绵羊毛、山羊毛、驼羊毛和兔毛几种。
一、绵羊毛
人们日常用量最大的毛衫、呢绒、毛毡等主要是绵羊身上密生着的绵羊毛。在编织工业中，由于绵羊毛用量最大，所以"羊毛"便成了绵羊毛的简称。
世界上绵羊毛产量较多的国家是澳大利亚、独联体、新西兰、阿根廷和中国。羊毛的支数和级数是评定羊毛等级和品质的依据，支数越高，品质越好，级数越高，品质越差。
绵羊毛中一直为人们所倾慕的"澳毛"，属于美利奴种绵羊，产于澳大利亚，因而得名。其毛纤维细而长，是绵毛羊中最优质的品种。其它如新西兰、南美、欧洲各国、南阿尔卑斯山脉等都有饲养，并在世界上享有盛誉。
雪兰毛也是常见的品种。雪兰毛原称雪特兰羊毛，因产于英国苏格兰的雪特兰群岛而得名。由于雪兰毛以绒毛为主体并夹杂较多的粗毛和戗毛，这种天然的粗细混杂，形成了雪兰毛织物特有的丰满而蓬松，柔软而不细腻，光泽和弹性较好的特点，具有粗犷的风格。但是，由于雪兰毛的产量少，供不应求，市场上销售的所谓"雪兰毛衫"多是以新西兰的半细羊毛为原料。更有些名为"雪兰毛"毛衣，卖价每件不足百元甚至仅几十元，实际上是仿雪兰毛风格的产品，有的"雪兰毛"则是由多种杂毛纺成，只能做粗毛线，价格也较便宜。
还有以价格低廉、受消费者欢迎的羊仔毛，其实是羊羔毛，其手感较粗， 多做成毛线使用。
二、山羊毛
山羊毛是指山羊毛身上剪取的粗毛和死毛。一般山羊毛身上的细毛很短，不能纺纱，粗毛也只能造毛笔，刷子之类，只有马海毛例外。马海毛即安哥拉山羊毛，产于土耳其的安哥拉省，北美和南亚等地，是一种优质毛纤维，表面光滑，极少卷曲，长而且粗，具有蚕丝般的柔和很强的光泽，优良的回弹性，耐磨性和高强度，是织制提花毛毯、长毛绒、顺毛大衣呢、人造毛皮等高级织物的理想原料。粗棒针手织的马海毛衫，披挂着柔软的如丝如雾般的纤维，构成高贵、活泼而又粗犷的服装风格，深受人们喜爱。我国西北的中卫山羊毛也属于马海毛类。但在市场上，有人把蓬松风格的腈纶膨体纱称为"马海毛"出售，造成误解，那样的腈纶膨体纱，充其量只能叫做"仿马海毛"。
三、羊驼毛
羊驼毛（ALPACA），又称"驼羊毛"，纤维长达20-40厘米，又白、褐、灰、黑等颜色，因90%产于秘鲁，又称为"秘鲁羊毛"。它的两个品种，一种是纤维卷曲，具有银色光泽，另一种是纤维平直，卷曲少，具有近似马海毛的光泽，常与其它纤维混纺，作为制作高档服装的优质材料。目前市场上的驼羊毛，大多是东欧的产品。
四、兔毛
兔毛以轻、细、软、保暖性强、价格便宜的特点而受人们喜爱。它是由细软的绒毛和粗毛组成的，主要有普通家兔和安哥拉兔毛，且以后者质量为优。兔毛与羊毛区别在于纤维细长，表面特别光滑，容易辨认。由于兔毛强度低，不易单独纺纱，因此多与羊毛或其它纤维混纺，制造成针织品和女士呢、大衣呢等服装面料。
纯毛的概念和标识
在市场上，人们常可看到羊毛产品有"纯羊毛"或"100%"羊毛两种标志，有人以为"纯毛"就等于"100%羊毛"，其实不然。从字面上说"纯毛"应当是100%羊毛。但实际上，在生产过程中，为了改善纤维的纺织性能，使织物更加耐用，有的产品常常要加入一些涤纶或锦纶的非毛纤维。对于加入量的多少，国家标准中有明确规定。这样，我们就明白了。纯毛产品并非是100%羊毛，标明纯毛产品的，则是已按规定范围加入非毛纤维，因而应比100%羊毛产品价格低。
总之，要在日益繁荣的市场上买到称心如意的毛纺织品，我们除了运用看、摸、问、比较等办法努力识别外，可以从价位上进行分析。当然，最安全的还是要不断增加对产品知识的了解。
识别羊绒、羊驼毛、马海毛
一、羊绒
羊绒是来自山羊身上的底层细绒毛，山羊生长在高寒的草原上，例如我国的内蒙、新疆、青海、辽宁等地。我国是世界上的羊绒生产大国，羊绒产量占世界总产量的1/2以上，其中又以内蒙的羊绒为上品。羊绒纤维的特点是纤细、柔软。其面料手感柔软、滑糯，光泽柔和，较同样厚度的羊毛面料相比重量轻很多，且多为绒面风格。一般来说，浅色的羊绒大衣多源自白绒，品质较好；而深色的大都取自紫绒或青绒，质量稍逊。
二、羊驼毛
羊驼毛来自一种叫“羊驼”（亦称“阿尔巴卡”）的动物，这种动物主要生长于秘鲁的安第斯山脉。安第斯山脉海拔4500米，昼夜温差极大，夜间-20～-18℃，而白天15～18℃，阳光辐射强烈、大气稀薄、寒风凛冽。在这样恶劣的环境下生活的羊驼，其毛发当然能够抵御极端的温度变化。羊驼毛不仅能够保湿，还能有效地抵御日光辐射，羊驼毛纤维含有显微镜下可视的髓腔，因此它的保暖性能优于羊毛、羊绒和马海毛。
另外，羊驼毛纤维具有17余种天然色泽：从白到黑，及一系列不同深浅的棕色、灰色，是特种动物纤维中天然色彩最丰富的纤维。我们在市场上见到的“阿尔巴卡”即是指羊驼毛；而“苏力”则是羊驼毛中的一种且多指成年羊驼毛，纤维较长，色泽靓丽；常说的“贝贝”为羊驼幼仔毛，相对纤维较细、较软。羊驼毛面料手感滑，保暖性极佳。
三、马海毛
马海毛则是指安哥拉山羊毛，主要产于南非，其特点是纤维较粗，卷曲小，光泽好。马海毛面料手感滑挺，呢面光泽足。马海毛和羊驼毛面料一样多为短顺毛风格。
第四节 丝绸的介绍
丝绸织品一般分真丝和仿真丝面料两大类,在丝绸织品上都带有标签,那么怎样识别标签上数字代号呢?这些数字共有5位。第一位数字代表商品所用的原料; 第二位数字代表商品 的织物组织,后面则是商品的序号.在这个数字前, 还用大写的英文字母代表商品 的产地,从丝绸产品的编号上,可以认定产品的原料及产地。
丝绸原料的代号:“1”代表真丝，包括桑丝及桑丝占50%以上的桑柞交织品种、双宫丝、桑绢丝绸；“2”代表合成纤维；“3”代表天然纤维与短纤维混纺；“4” 代表柞丝；“5”代表人造丝；“6”代表两种原料以上的长丝交织，或长丝 与短丝维交织；“7”" 代表被面类。
丝绸产品产地代号：B为北京、C为四川、D为辽宁、E为湖北、G为广东、H 为浙江、J为江西、K为江苏、M为福建、N为广西、Q为陕西、S为上海、T为天津、V为河南、W为安徽、X为湖南。
布匹检测范围
窗帘布匹，CVC布匹，涤纶布匹，印花布匹，家纺布匹，床单布匹，纺织布匹
布匹检测项目
质量检测，印花检测，含水率检测，幅宽检测，纹理检测，色差检测，成分检测，顶破力检测，外观检测，异味检测，防火检测，污点检测，张力检测，透气性检测，撕裂强度检测，阻燃检测，pH值检测，色牢度检测，重金属检测，VOC检测，
布匹检测报告有哪些作用?可以帮您解决哪些问题?
1、销售使用。(销售自己的产品，出具第三方检测报告让客户更加信赖自己的产品质量)
2、研发使用。(研发过程中，遇到一些比较棘手的问题，通过检测报告数据来解决问题，从而缩短研发周期，降低研发成本)
3、改善产品质量。(通过对比检测数据，发现自身产品问题所在，提高产品质量，降低生产成本)
4、模拟生产。(通过配方检测服务，检测同行业较好产品，实现模拟生产)
5、科研论文数据使用。
6、竞标，投标使用(百检检测周期比较短，检测费用低，认可度比较高，特别适合投标使用)
百检检测流程
1、寄样。(与工程师沟通，提交自己的检测需求并且给我们研究所寄样)
2、免费初检。(收到样品之后，进行免费初检，制定详细的实验方案)
3、报价。(初检之后，根据客户检测需求以及实验复杂程度进行报价)
4、双方确定，签订保密协议，开始实验。
5、7-15个工作日完成实验。
6、邮寄检测报告，后期服务。
面料开版费就是指印花面料，印花花型要制作菲林,如果是平网印花就要刻花板,圆网印花就要刻花筒这都要花人工与原料的.所以如果印花没有一定的量,这些就要另外收费了。
上版费就是版面费是指在国家新闻出版总署批准的正规学术期刊上发表的论文，被刊物录用后，期刊编辑向论文作者收取的费用。版面费是在学术期刊和学术研究兴盛的环境下产生的；从版面费自身形成的构件和程序看，版面费是两方的自觉自愿的合约行为，是两个巴掌拍出的响，无违法违纪可言。
化纤：
是化学纤维的简称。它是利用高分子化合物为原料制作而成的纤维的纺织品。通常它分为人工纤维与合成纤维两大门类。它们共同的优点是色彩鲜艳、质地柔软、悬垂挺括、滑爽舒适。它们的缺点则是耐磨性、耐热性、吸湿性、透气性较差，遇热容易变形，容易产生静电。
它虽可用以制作各类服装，但总体档次不高，难登大雅之堂。 化纤在发展初期拥有三大优势：
一是结实耐用。
二是易打理，具有抗皱免烫特性。
三是可进行工业化大规模生产，而不像天然纤维占用土地，加工费时费力、产量有限。
在目标检测任务中，被测目标的大小经常是不固定的，自动驾驶相关检测任务可能要同时检测大卡车与小狗；工业质检相关检测任务可能要同时检测布料的大面积撕裂与小穿孔；医疗病灶检测任务可能要同时检测大小不一的病灶。在被测物体尺度相差极大时，模型通常难以对极大和极小的物体同时进行检测。
首先，要知道为什么被测物体尺度相差过大会造成模型精度降低。物体检测领域中各个模型的骨干网络，无外乎不是使用多层卷积逐步提取图像深层信息，生成多层特征图，并基于深层特征图做定位、分类等进一步处理。
在这“由浅至深”的特征提取过程中，浅层特征具有较高的分辨率，可以携带丰富的几何细节信息，但感受野很小且缺乏语义信息，与之相反的是，深层特征具备较大的感受野以及丰富的语义信息，但分辨率不高，难以携带几何细节信息。 此时假设我们将模型继续加深，超深层特征中将具有极大的感受野，被测物体的语义信息也会因被周遭环境信息所稀释而降低。
如果训练数据中同时包含尺度极大和极小的被测物体，那么会发生什么呢？
如上图所示，假设模型一共有100层，大小目标的细节信息都随着模型层数的加深而衰退。对于语义信息而言，由于小目标尺度小，随着模型层数的增多（下采样次数的增多），语义信息可能在25层即提取完毕，之后随着层数的继续增加，小目标的语义信息也会快速被环境信息所稀释；而大目标尺度大，可能要在50层才能提取到足够的语义信息，但此时小目标的语义信息已经丢失的差不多了。
那么这个网络的深度应定为25层，还是50层，亦或是37层呢？定25层则对小目标的检测效果好而大目标检测能力差；定50层则反之；定37层则两类目标的检测能力较为均衡但都不在最好的检测状态。而这就是“多尺度”目标检测问题的根源所在。
以下是面对尺度变化范围过大导致精度降低的几种常见策略。
由同一张图像生成的多张不同分辨率图像的集合，由大到小摞在一起，就是图像金字塔。图像金字塔可以通过对图像不断地进行梯次向下采样，直至达到某个终止条件而获得，这个过程看似十分简单，但是它可以十分有效的从多分辨率的角度来解释图像。图像金字塔的底部是待处理图像的高分辨率表示，而顶部是图像的低分辨率近似。
使用图像金字塔来解决“被测物体尺度变化幅度大导致模型精度降低“问题的过程可以看做是：将一张图片处理成图片金字塔后，随着金字塔层级的变化，单个被测物体也会生成由大到小的多种尺度。在将这些不同尺度的图片传入模型之后，即使模型只擅长对某一尺度范围内的物体进行识别，不论被测物大或小，总能在金字塔的某一层中被缩放至模型擅长处理的尺度范围内。请你思考一下，“图像金字塔”方法有哪些优缺点？
这种处理方法虽然通过多尺度的特征提取，解决了被测物体尺度变化范围过大的问题，但是会大幅增加内存占用量，导致复杂的网络难以进行训练；会大幅增加模型运算量，导致模型推理时间变长。
金字塔特征层级可以看做是一个特征图化的图像金字塔。模型一般浅层的特征图较大，后面会逐渐采用stride=2的卷积或者pool来降低特征图大小，可将前面较大的特征图和后面较小的特征图都用来做检测。
单次检测器模型（SSD）就尝试使用了金字塔特征层级的结构，SSD的“附加特征层(Extra Feature Layers)”中的特征图经由多次下采样，形成了不同尺度的4层特征图，而后在正向传播过程中重复使用这四层特征图分别进行预测，因此“金字塔特征层级”不会增加模型运算量，可看作是零计算成本的。但是与此同时，SSD没有重复使用VGG-Base中的特征图，而是再网络中的最高层之后添加几个新层，以此构建金字塔，因此它错过了重复使用特征层级中更高分辨率特征图的机会，但这些更高分辨率的特征图对于检测小目标很重要。
FPN的全称是Feature Pyramid Networks，即“特征金字塔网络”，总体结构如上图所示。FPN是一个利用深度卷积神经网络中固有的多尺度特征图，通过加入侧向连接和上采样，来以极小的附加计算量构建不同尺度的具有高级语义信息的特征金字塔的网络结构。
对于物体检测模型而言，FPN结构并不是模型中独立的一个模块，而是作为原始Backbone的附加项，融合在卷积神经网络之中。FPN结构可分为Bottom-up pathway和Top-down pathway and lateral connections两条主线，下面将以ResNet作为原始Backbone，为大家讲解FPN结构是如何运作的。
Bottom-up pathway即为由下至上的通路，也就是FPN结构图左侧的结构，它等价于标准ResNet骨干网络。首先回顾一下ResNet网络结构：
ResNet18网络的原始输入大小是(224x224)，随后经由stride=2的卷积层或池化层，将特征图大小逐步缩放至(112x112)、(56x56)、(28x28)、(14x14)、(7x7)（忽略最后的Average pool、Fc、Softmax层），此时的特征图根据分辨率由大到小一次排开，就形成了一个特征金字塔的结构。此时可将这每个bolck的输出按顺序标记为{C1,C2,C3,C4,C5}。
Top-down pathway and lateral connections又可分为“由上至下的通路”以及“侧向连接”两部分，也就是FPN结构图右侧的结构。这部分的运算规则可表示为：
运算规则1：通过侧向连接取左侧Bottom-up pathway的顶层输出C5（size=7x7），经由1x1的卷积调整通道数（论文中将此通道数调整为256以便Faster RCNN后续计算）后，所得的结果即为Top-down pathway and lateral connections结构的顶层，可标记为M5（size=7x7）。
运算规则2：通过侧向连接取左侧的输出C4（size=14x14），并将所得的M5通过最近邻值插值法进行2倍上采样（size=14x14），再将C4与上采样的结果进行加和，所得结果可标记为M4（size=14x14）。
以此类推，后续还可运算求得M3（size=28x28）、M2（size=56x56）（M1理论上可求，但是由于C1仅由原图经一次卷积所得，几乎不具备任何语义信息，因此一般不做计算）。运算完成后，结构图可表示为：
上述步骤所获得的结果可按顺序标记为{M2,M3,M4,M5}。但这还不是最终的输出结果，因为上采样过程中产生的混叠效应会对后续预测造成影响，所以还需对所有经由上采样得到的特征图进行一次3x3的卷积，来消除混叠效应造成的影响并获得最终的输出结果，输出结果可标记为{P2,P3,P4,P5}。由于M5并不是由上采样所得，故只需对{M2,M3,M4}做卷积即可。
上图展示的即为FPN结构的全部计算流程。
数据增强是一种提升小目标检测性能的最简单和有效的方法，通过不同的数据增强策略可以扩充训练数据集的规模，丰富数据集的多样性，从而增强检测模型的鲁棒性和泛化能力。常见的数据增强方法如下图所示：
数据增强这一策略虽然在一定程度上解决了小目标信息量少、缺乏外貌特征和纹理等问题，有效提高了网络的泛化能力，在最终检测性能上获得了较好的效果，但同时带来了计算成本的增加。而且在实际应用中，往往需要针对目标特性做出优化，设计不当的数据增强策略可能会引入新的噪声，损害特征提取的性能，这也给算法的设计带来了挑战。
生成对抗学习的方法旨在通过将低分辨率小目标的特征映射成与高分辨率目标等价的特征，从而达到与尺寸较大目标同等的检测性能。前文所提到的数据增强、特征融合和上下文学习等方法虽然可以有效地提升小目标检测性能，但是这些方法带来的性能增益往往受限于计算成本。例如Noh等人提出了新的特征级别的超分辨率方法，该方法通过空洞卷积的方式使生成的高分辨率目标特征与特征提取器生成的低分辨率特征保持相同的感受野大小，从而避免了因感受野不匹配而生成错误超分特征的问题。
“FPN是一个利用深度卷积神经网络中固有的多尺度特征图，通过加入侧向连接和上采样，来以极小的附加计算量构建不同尺度的具有高级语义信息的特征金字塔的网络结构。”
1.FPN结构与标准的单特征图输出的卷积神经网络进行比较：单特征图输出的卷积神经网络只输出最后一次特征图，容易丢失小目标的细节信息。 2.FPN结构与图像金字塔进行比较：FPN结构利用深度卷积神经网络中固有的多尺度特征图，不需要对原始图片做多级缩放，极大地减少了计算量。 3.FPN结构与金字塔特征层级进行比较：SSD中的金字塔层级没有使用原始骨干网络中的底层特征图，造成了部分细节信息的丢失，且特征图是随着正向传播过程直接生成的，深层特征图的语义信息无法与浅层结构信息进行结合。而FPN不仅保留了底层特征图的细节信息，还通过“由上至下”的结构将深层的语义信息与浅层的几何细节信息进行融合。
综上所述，FPN在标准卷积神经网络“由下至上”的数据流向基础上，通过横向连接的方式补充了“由上至下”的数据流向，这一结构可有效的丰富底层特征图中包含的语义信息，且FPN结构的金字塔是由Conv2开始计算，使底层几何细节信息特别丰富，尤其是小目标的位置信息，对小目标的召回率的提高有很大的帮助。
1.复制增强：KISANTAL M,WOJNA Z,MURAWSKI J,et al. Augmentation for small object detection[EB/OL].(2019‑02‑19)[2019‑02‑19]. . 2.自适应采样：CHEN C, ZHANG Y, LV Q, et al. RRNet: A hybrid detector for object detection in drone‑captured images[C]// Proceedings of the IEEE/CVF International Conference on Computer Vision Workshops. Los Alamitos: IEEE, 2019: 100‑108. 3.尺度匹配：YU X, GONG Y, JIANG N, et al. Scale match for tiny person detection[C]// Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision. Los Alamitos: IEEE,2020: 1257‑1265. 4.缩放与拼接：CHEN Y,ZHANG P,LI Z,et al.Stitcher: Feedback‑driven data provider for object detection[EB/OL].(2020‑04‑26)[2021‑03‑14]. . 5.自学习数据增强：ZOPH B, CUBUK E D, GHIASI G, et al. Learning data augmentation strategies for object detection[C]//Proceedings of European Conference on Computer Vision. Cham: Springer, 2020: 566‑583. 6.生成对抗学习：NOH J, BAE W, LEE W, et al. Better to follow, follow to be better: Towards precise supervision of feature super-resolution for small object detection[C]// Proceedings of the IEEE/CVF International Conference on Computer Vision. New York: IEEE, 2019: 9725-9734. 7.FPN：LIN T Y, DOLLÁR P, GIRSHICK R, et al. Feature pyramid networks for object detection[C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. New York: IEEE, 2017: 2117-2125. 8.图像金字塔：ADELSON E H,ANDERSON C H,BERGEN J R,et al.Pyramid methods in image processing[J].RCA Engineer,1984,29(6): 33‑41. 9.ZOU Z,SHI Z,GUO Y,et al.Object detection in 20 years: A survey[EB/OL].(2019‑05‑13)[2019‑05‑16]. . [百度学术]
