LoG边缘检测与YOLO融合：LoGStem模块提升小目标检测精度

说实话，第一次看到“把LoG边缘检测算子塞进YOLO的特征提取入口”的思路时，我心里也犯嘀咕：YOLO这种纯深度学习的检测器，还需要显式做边缘检测吗？但我的项目里，目标检测的瓶颈恰好卡在低对比度、弱纹理、小目标上，于是我就做了一个叫LoGStem的模块，直接用在项目代号YOLOv26的网络里，把边缘先验变成浅层特征的空间注意力。效果比预想中要好，mAP涨了2~3个点，噪声、模糊、暗光下的掉点也明显变小。

这篇文章就把LoGStem从原理、实现到训练调参的完整过程记录下来。适合正在做YOLO系检测、又经常被小目标和模糊目标折磨的工程师看，也适合想在自己网络里加一个“即插即用”浅层增强模块的朋友参考。我会尽量把踩过的坑和真实的实验数据都说清楚，不藏着掖着。

1. 项目背景与核心设计思路

1.1 LoGStem要解决的真实问题

我手头的检测任务是遥感场景下的舰船目标检测，特点就是目标小、背景杂、对比度有时候低到离谱。船体和水面的灰度差可能只有十几个像素值，人眼都要盯一会儿才分得清，网络在这样的输入上提取浅层特征时，边缘很容易被后续的下采样和激活函数洗掉。等特征传到深层，小目标本身没剩多少像素了，轮廓再模糊一点，检测头基本只能靠猜。

这个问题本质上是边缘信息在浅层就丢失了。常规做法是多加卷积层、加注意力模块，但注意力模块学到的空间权重在极端低对比度图像上并不稳定，因为网络根本不知道该关注哪儿。LoGStem做的事情很直接：在进入主干网络之前，先用拉普拉斯高斯算子把多尺度边缘显式地提取出来，再用这张边缘响应图去调制浅层特征。这样网络从第一层开始就带着“哪里是轮廓”这个先验往前走，后续卷积只需要在轮廓附近做更精细的判别。

这个前提下，LoGStem就不是一个简单的预处理，而是和主干融入在一起的网络结构。它能解决的不只是小目标问题，还包括弱光、运动模糊这种会让边缘信息衰退的场合。

1.2 为什么选LoG而不是Sobel或Canny

做边缘检测的经典算子不少，Sobel、Prewitt、Roberts、Canny，我为什么偏偏挑了Laplacian of Gaussian？

Sobel这类一阶梯度算子实现确实简单，但它只对单方向灰度变化敏感，而且对噪声非常不友好。实际图像里一个目标同时存在水平和竖直边界，单方向Sobel很容易丢边。想要完备一点，就得把水平、垂直、对角等多个方向都叠加，特征图一下就膨胀起来了。

Canny边缘检测效果好，但它的双阈值和滞后连接是非线性流程，没法直接用卷积算子端到端嵌入网络。如果非要在网络里模拟Canny，复杂度高到难以落地。

LoG就舒服很多。它本质上是高斯平滑和拉普拉斯算子的组合，高斯项用来抑制噪声，拉普拉斯项用来检测灰度突变，整体是一个线性卷积核。只要把LoG核的权重提前算好，填入普通卷积层即可，前向计算完全走卷积流程，后续反向传播也能对核参数做微调。也就是说，LoG既有明确的边缘检测先验，又能作为网络的一部分端到端训练，不像Canny一样卡死在传统图像处理流程里。

1.3 LoGStem的整体结构方案

LoGStem的设计逻辑可以拆成四个动作：

• 输入图像灰度化，得到单通道强度图；
• 用多个不同尺度的LoG卷积核提取边缘响应，得到多通道边缘图；
• 把边缘图经过一个轻量卷积块，生成空间门控；
• 将门控和主干特征相乘后做残差，输出给后续网络。

整个过程把“找轮廓”这件事放在网络入口处，不增加任何额外标注，也不改变主干网络的推理逻辑。

多尺度是为了适配不同大小的目标。遥感舰船里有几十个像素的大船，也有十几个像素的小目标，单一σ只能捕捉特定尺度的边缘。LoGStem采用σ=1、2、4三种尺度，大σ负责整体轮廓，小σ负责精细边界，组合起来之后门控图对目标尺寸的宽容度高很多。

2. LoGStem模块原理与实现细节

2.1 LoG算子数学原理与σ怎么选

LoG算子的公式定义在高斯平滑之后对x和y分别求二阶导再叠加，所以它的名字叫Laplacian of Gaussian。二维表达式可以写成：

LoG(x,y) = -(1/(πσ⁴))·(1 - (x²+y²)/(2σ²))·exp(-(x²+y²)/(2σ²))

这个公式对非数学专业的同学可能有点劝退，但落到工程上，你只需要关心两个点：核的中心是负峰，周围是正环，换句话说，它检测的是灰度变化的过零点；σ的大小决定了核覆盖的半径，σ越大，核越宽，能捕捉的边缘越粗犷。

σ的选择不能拍脑袋。太小，比如σ=0.5，LoG核几乎退化成高频噪声滤波器，图像里每个纹理抖动都会被当成边缘，门控图变得很花哨，反而干扰主干特征。太大，比如σ=8，核覆盖范围太宽，小目标的轮廓被磨平，检测效果同样下降。

我最终把σ组合定为[1,2,4]，核大小取5。这个配置的直观理解是：σ=1抓精细的局部边缘，σ=4抓目标的整体外围轮廓，σ=2处在两者之间做过渡。实验里这个组合比单尺度或者[0.5,1,2]、[2,4,8]都要稳定。

2.2 固定核还是可学习核

最初我倾向于把LoG核权重冻结，理由是既然叫“拉普拉斯高斯边缘检测”，核就应该保持数学算子的纯粹性，不应该被训练改得乱七八糟。但实际测试下来，冻结核的效果不是最好的。

原因在于，LoG解析核是在理想连续条件下推导的，真实图像总会有畸变、压缩伪影、采样噪声。让网络在训练过程中微调核权重，相当于给先验加了一个自适应修正项。我把核初始化为解析LoG核，然后让权重的requires_grad=Truet足够，训练过程中它会随主干一起更新，但不会偏离太远，因为梯度信号要同时兼顾边缘提取和最终的检测精度。

一个更保守的折中方案是把整个核权重冻结，但后面再接一层可学习的1x1卷积来修正边缘响应。这样做的好处是LoG核永远保持标准形式，实验可解释性更强。我最后没选这条路，因为让核本身可学习带来的精度收益更直接，也就贵一点点训练时间。

2.3 LoGStem的PyTorch实现

核心代码不多，这里分享一个能直接跑的版本。我先把LoG核生成函数写好：

import torch import torch.nn as nn import torch.nn.functional as F import math def make_log_kernel(sigma, size): ax = torch.arange(size, dtype=torch.float32) - size // 2 ys, xs = torch.meshgrid(ax, ax, indexing='ij') r2 = xs ** 2 + ys ** 2 gauss = torch.exp(-r2 / (2.0 * sigma * sigma)) log = -(1.0 - r2 / (sigma * sigma)) * gauss / (math.pi * sigma ** 4) log = log - log.mean() log = log / (log.abs().sum() + 1e-6) return log.unsqueeze(0).unsqueeze(0) # 输出形状 1,1,size,size

生成核之后，定义LoGStem模块：

class LoGStem(nn.Module): def __init__(self, in_channels=3, out_channels=64, sigmas=(1.0, 2.0, 4.0), kernel_size=5): super().__init__() self.sigmas = sigmas self.log_convs = nn.ModuleList() for s in sigmas: conv = nn.Conv2d(1, 1, kernel_size, padding=kernel_size // 2, bias=False) conv.weight.data = make_log_kernel(s, kernel_size) conv.weight.requires_grad = True self.log_convs.append(conv) # 主分支：步长2下采样，输出分辨率减半 self.main_branch = nn.Sequential( nn.Conv2d(in_channels, out_channels, 3, stride=2, padding=1, bias=False), nn.BatchNorm2d(out_channels), nn.LeakyReLU(0.1), nn.Conv2d(out_channels, out_channels, 3, padding=1, bias=False), nn.BatchNorm2d(out_channels), nn.LeakyReLU(0.1), ) # 边缘门控分支：从多尺度边缘响应生成空间权重 self.gate_branch = nn.Sequential( nn.Conv2d(len(sigmas), out_channels // 4, 1), nn.BatchNorm2d(out_channels // 4), nn.ReLU(), nn.Conv2d(out_channels // 4, out_channels, 1), nn.BatchNorm2d(out_channels), nn.Sigmoid() ) # 门控缩放，初始为0，训练过程中慢慢放开 self.gate_scale = nn.Parameter(torch.tensor(0.0)) def forward(self, x): gray = x.mean(dim=1, keepdim=True) edges = [] for conv in self.log_convs: e = conv(gray) e = torch.abs(e) e = (e - e.mean(dim=(2, 3), keepdim=True)) / \ (e.std(dim=(2, 3), keepdim=True) + 1e-6) edges.append(e) edge_feat = torch.cat(edges, dim=1) gate = self.gate_branch(edge_feat) main_feat = self.main_branch(x) gate = F.interpolate(gate, size=main_feat.shape[2:], mode='bilinear', align_corners=False) out = main_feat + self.gate_scale * gate * main_feat return out

有几个实现细节值得说明。输入转灰度时我直接取三通道均值，这在大多数RGB图上够用了。LoG卷积对每个尺度一个卷积核，通道数很少，计算量并不大。边缘响应取绝对值是因为LoG的过零点在离散卷积里表现不稳定，直接取绝对值可以同时保留正负两个方向的灰度突变。归一化到零均值和单位标准差，是为了让门控分支的输入分布稳定，避免边缘响应的绝对数值在不同图像之间差异过大。

主分支输出分辨率是输入的一半，门控分支在原始分辨率上生成空间权重后双线性下采样对齐。这样做的目的是尽量保留边缘位置精度，如果门控也一路直接下采样到主分支分辨率，小目标边缘坐标误差会被放大。

2.4 边缘门控融合设计

LoGStem的融合方式不是简单把边缘图拼到主干特征里，而是用Sigmoid生成的空间门控和主干特征相乘。空间门控的每个像素值在0到1之间，表示这个位置“像边缘”的程度。

为什么不直接拼接？拼接会引入额外的信息通道，提升了capacity，但也增加了后续网络的负担，而且边缘图和深度特征的分布差异很大，直接拼在一起很容易让BN层的统计量波动。门控相乘本质上是对主干特征做增强，边缘强的地方放大，边缘弱的地方保留原样，对原特征的破坏性更小。

残差结构更关键。out = main_feat + gate_scale * gate * main_feat，当gate_scale=0时，整个模块等价于一个普通卷积栈，不影响baseline效果。训练开始后gate_scale逐渐变大，模块才慢慢把边缘先验注入。这个是LoGStem能够平稳收敛的一个关键设计，我一开始直接让gate生效，第一个epoch的loss非常不稳，后面把gate_scale初始值改成0才解决问题。

3. 接入YOLOv26并完成训练

3.1 网络接入位置与结构改动

YOLOv26这个名字是项目内部代号，可以理解成YOLOv2技术路线的深度改进版，但为了不把读者带偏，这里只讲和LoGStem相关的通用接入方式，其他YOLO分支也能照搬。

原始网络入口通常是一组步长2的卷积下采样结构。我的改动非常保守：把输入后的第一个卷积栈替换成LoGStem，LoGStem输出的特征分辨率和通道数都与原来的stem一致。这样后面所有的backbone层、FPN结构、检测头都不需要调整，接上就能跑。

替换的时候要注意两个对齐问题。第一是通道数对齐，LoGStem的out_channels必须等于原stem的输出通道数；第二是stride对齐，LoGStem内置步长2主分支，输出分辨率减半，这和原stem语义一致。如果以后要降低LoGStem的开销，可以把主分支的stride改成1，再由后面的池化层完成下采样，但这样会稍微改变特征进入后续模块的路径参数，需要额外调参。

3.2 为什么不用Edge-aware辅助损失

早期版本里，我试过在LoGStem后面接一个边缘预测头，用Canny或图像梯度生成的边缘标签做辅助监督。理论上是想让网络学得更准，但实际发现这步操作不是必须的，甚至有害。

问题出在边缘标签本身。Canny的双阈值参数是针对整张图人工挑选的，对某一类目标的效果还行，但每张图的对比度差异很大，一个固定阈值不可能适配所有图像。用这种带噪声的伪标签做监督，网络很容易学会的只是“让输出看起来像一个边缘图”，而不是真正理解目标边界。

LoGStem里多尺度LoG核本身就是手工构造的强先验，不需要额外的loss来教它“什么是边缘”。边缘分支已经在前向里生成合理的空间门控了，再挂一个监督信号属于重复劳动，还可能让网络在浅层就过度拟合伪标签的分布。我在消融实验里也看到，加Edge-aware loss之后mAP反而比纯LoGStem低一些，虽然差距不大，但足以说服我不再走这条路。

3.3 训练配置、数据增强与超参数

训练数据集用的是自建的某遥感舰船检测数据集，训练图像约2.4万张，验证集3000张。输入分辨率配置为416x416，batch size为32，单卡训练160个epoch。

优化器选了SGD，初始学习率0.001，momentum=0.9，weight_decay=0.0005。学习率用cosine schedule衰减，前500步做warmup。数据增强用Mosaic、随机裁剪、随机旋转、颜色抖动和MixUp。

LoGStem相关的两个超参数需要特别关注。一个是gate_scale初始值，设为0，训练30个epoch后再放开学习，或者干脆让它作为可学习参数自己长；另一个是LoG核的更新幅度，我在实验中发现训练后期核权重变化对结果影响很小，所以会更倾向于将核权重学习率调为其他层的0.1倍，也就是Layer-wise Learning Rate Decay。

gate_scale如果放开得太早，边缘门控会压制主干特征，导致浅层梯度信号异常；如果全程冻结为0，LoGStem就废了。比较稳妥的做法是让gate_scale作为可学习参数，初始化为0，网络会在初期忽略门控，逐步把幅度调上来。

4. 实验对比与鲁棒性验证

4.1 消融实验

消融实验是这类改进模型的重头戏，毕竟谁也不想折腾半天网络结构，最后不知道收益到底来自哪儿。我设置了四组对比：

第三组加了Edge Loss，虽然mAP看起来最高，但训练更不稳定，在小验证集上过拟合风险更大，我没有把它作为最终方案。第四组很关键，它把LoGStem换成同等参数量、同等结构位置的普通卷积，mAP几乎没有变化，说明收益不是“多加了几层”带来的，而是LoG边缘先验本身带来的。

从参数量和推理速度看，LoGStem只增加了约0.6M参数，FPS从62掉到55，大约12%的计算开销增量，对大多数业务场景来说可以接受。如果进一步优化，可以把LoG核裁剪成深度可分离结构，速度损失能控制在5%以内。

4.2 不同σ组合的对比

σ的选择对最终效果影响相当大。我专门跑了一组单变量实验，固定其他配置不变，只更换LoGStem里的尺度组合：

[1,2,4]并不是尺度越多越好。加一个σ=8后，大尺度边缘把主体内部的低对比区域也当成边缘响应，门控图变得比较“实心”，反而把小目标的独立轮廓模糊掉了。这说明多尺度并不是多多益善，尺度跨度太大时，尺度之间的边缘响应会互相干扰。

从鲁棒性角度看，[1,2,4]在保留小目标边界的同时又能覆盖中等目标整体轮廓，综合收益最高。实际部署时如果算力紧张，只保留σ=1和σ=4两个尺度也能拿到接近80%的提升，算力收益比更高。

4.3 噪声、模糊与弱光下的鲁棒性测试

除了标准测试集mAP，我还做了三组退化压制测试，模拟真实部署中常见的图像质量问题。每种退化施加在验证集上，记录相对基线的mAP降幅。

LoGStem版本在三种退化下掉点都只有基线的一半左右。原因很好理解：门控分支提前在入口处把边缘位置标了出来，后续卷积即使在噪声或模糊中，也有一张相对稳定的边缘先验图作为参考。弱光场景下灰度信息被压缩，但边缘的过零点位置还保留着，所以LoGStem的优势更明显。

这个实验也从侧面验证了LoGStem不是简单地过拟合训练集分布，而是确实改变了网络对低质量输入鲁棒性的底层逻辑。

5. 踩坑记录与调参经验

5.1 输入归一化引发的NaN问题

第一次跑LoGStem训练，第二个epoch就出现了loss为NaN的情况。排查到最后，问题出在LoG核输出的大数值上。

LoG解析核在中心附近接近无穷，虽然做了归一化，但对极端像素仍然容易产生非常大的响应值。我输入图像用的是[0,255]范围的原始像素，灰度差动辄上百，LoG响应乘以这个幅度后很容易溢出。

解决方法是把输入归一化到[0,1]区间，同时把LoG输出做了标准差归一化。两件事都做了之后，loss曲线就稳定了。如果还出现异常值，可以在LoG响应后面接一个clamp操作，把极端响应截断在[-3,3]区间。

5.2 小目标AP不升反降的教训

早期版本里，我为了让门控分支计算更快，直接把边缘图做了MaxPool下采样，让门控分辨率降到和主分支一样再去相乘。结果小目标AP反而掉了1.2个点。

原因是MaxPool在降采样过程中会合并邻近像素，小目标的边缘响应可能只有1到2个像素宽，池化之后直接被吞掉了。后来改成先保持全分辨率生成门控图，再在相乘前用双线性插值对齐分辨率。这个改动让小目标AP回升并超过基线。

教训是，LoGStem里的门控图必须保持足够空间分辨率，任何形式的提前降采样都会损失边缘位置的精度。如果实在需要节省这部分计算量，用步长2的卷积也比MaxPool好，至少可学习参数能部分补偿位置损失。

5.3 推理速度和显存优化建议

LoGStem增加的计算量主要来自LoG卷积和门控分支。LoG卷积本身是单通道卷积，三个尺度的开销并不大，但门控分支的BN和激活函数在原始分辨率上计算，显存占用比想象中高。

工程上可以做的第一个优化是把门控分支中的第一个1x1卷积输出通道数砍到out_channels//8，门控质量影响很小，显存能省下不少。第二个优化是LoG核使用深度可分离卷积的写法，把每个尺度独立卷积替换成单个深度卷积，参数进一步压缩。第三个优化是推理阶段把gate_scale和学习到的核权重固定下来，导出ONNX时直接折叠成常量。

实测下来，这三个优化合在一起能把推理FPS从55拉回59，接近基线水平，而mAP只下降0.1个点，几乎无损。

5.4 常见问题速查表

写在最后的实际操作感受

这个项目做下来，我最大的感受是：经典信号处理算子并不会因为深度学习流行而失效，反而能和卷积网络形成很好的互补。LoGStem就像一个放在网络门口的先验告警器，告诉后续卷积哪些位置值得关注，尤其在数据质量参差不齐的真实场景里，这种先验比纯数据驱动的注意力更可靠。

每次调整σ或者门控策略，我都会选择几张典型的失败样本做边缘图可视化，这些图比mAP数字更能直观告诉你改对了还是改错了。有一次我为了压缩显存把门控分支从原始分辨率改成半分辨率，mAP掉了还没引起足够警惕，但可视化里小目标的边缘响应几乎看不见，一看就知道问题在哪儿。

如果后续有朋友想复现，我建议从σ=[1,2,4]和gate_scale初始为0这两个配置开始，在一个已经有baseline的数据集上跑20个epoch看看loss曲线，再决定是否需要调整。LoGStem本身也可以移植到语义分割、多任务检测等场景，思路都是一样的，无非是把边缘先验变成通用浅层增强模块。