引言：当YOLO遭遇低分辨率之痛
在计算机视觉的诸多应用场景中，低分辨率图像和小目标检测一直是难以逾越的技术鸿沟。想象一下这样的场景：监控摄像头拍摄的远距离行人、无人机航拍的密集车辆、医疗影像中的微小病灶、工业质检中毫米级缺陷……这些目标在画面中往往只占据几十甚至几个像素，传统检测模型面对它们时，表现堪称惨不忍睹。
问题的根源，恰恰出在几乎所有卷积神经网络（CNN）的基础设计上。为了逐步扩大感受野、提取高层语义特征，CNN架构普遍采用步长卷积和池化层对特征图进行下采样。然而，每一次下采样都是信息的一次“瘦身”——空间尺寸减半，大量像素被直接丢弃或平均。对于大目标而言，这种损失尚可容忍，因为其特征响应区域足够大、冗余足够多。但对于低分辨率图像和小目标，每一次下采样都是一次“生死考验”：很多目标在特征提取过程中直接“消失”了，连检测的机会都没有。
根据相关测试，当使用YOLOv5检测电路板微小焊点时，1080p输入下mAP可达0.89，但输入分辨率降至480p时，性能断崖式下跌到0.63。这种“性能悬崖”效应，让低分辨率场景下的目标检测成为工业落地的痛点。据Yann V. Bellec等人在2026年4月发布的DroneScan-YOLO论文中指出，标准YOLO检测器的最小检测步长为8像素，使得小于32像素的目标几乎无法被检测到。
有没有一种方法，能在下采样的同时不丢失任何像素信息？答案是肯定的——SPD-Conv，空间深度转换卷积，正是为解决这一痛点而生。
