前 言：作为当前先进的深度学习目标检测算法YOLOv5、v7系列算法，已经集合了大量的trick，但是在处理一些复杂背景问题的时候，还是容易出现错漏检的问题。此后的系列文章，将重点对YOLO系列算法的如何改进进行详细的介绍，目的是为了给那些搞科研的同学需要创新点或者搞工程项目的朋友需要达到更好的效果提供自己的微薄帮助和参考。

解决问题：原YOLOv5模型特征融合网络为PANet，虽然较FPN能更好的融合不同尺度目标的特征，从而提升效果，但是还存在改进的空间，还有更加先进的特征融合网络。之前出过改进为BIFPN加权双向特征金字塔有兴趣的朋友可以关注我看下之前的博客。现在介绍加入一种金字塔特征融合策略，称为adaptively spatial feature fusion (ASFF)，它能够在空域过滤冲突信息以抑制不一致特征，提升网络对不同尺度目标的特征融合能力。

主要原理：

论文：Learning Spatial Fusion for Single-Shot Object Detection​arxiv.org/abs/1911.09516?context=cs.CV

ASFF用来解决一阶检测器中特征金字塔内部的不一致性。ASFF使网络能够直接学习如何在其他级别对特征进行空间滤波，从而仅保留有用的信息以进行组合。对于某个级别的特征，首先将其他级别的特征调整为相同的分辨率并简单集成，然后训练以找到最佳的融合方式。在每个空间位置，将不同级别的特征自适应地融合在一起，例如：若某位置携带矛盾的信息，则这些特征将会被滤除，若某位置的特征带有更多的区分性线索，则这些特征将会被增强。ASFF的几点好处：(1)由于搜索最优融合的操作是