# 像素准确率很高，为什么小对象仍可能很差
[独立阅读](/course/blocks/small-object-confusion.html)**课堂上下文：从哪个问题来**
较细支路给解码器另一份可能保留位置线索的输入，但不保证边界正确；应在同一任务比较错误图与逐类 IoU。现有实验中，RGB 简单基线在原条件下胜出，FCN 在模糊后更稳健。对照两种条件，判断结构何时实际有用。


一张大部分为背景的图，只要把背景判对，整体像素准确率就会很高。假设 10000 个像素里只有 100 个属于目标，全部预测背景就有 99% 准确率，但目标 IoU 为零。这个算例说明面积不平衡如何隐藏感兴趣类别的失败。



LAB11 的同权重尺度 ×.45 对照更具体：像素准确率 .99816，而蓝椭圆 IoU 为 .85763、红矩形 .97613、背景 .99812。按三类等权平均得到 .94396。蓝对象与背景窄缝更细，发生少量像素错误就显著影响目标的比例。



查看失败图时要把输入、真值和错误像素并排。若杯把空洞消失，可能是原观测不清、特征混合、读出不对齐或任务头没学好；单看总数不能定位原因。可以先冻结其余条件，改变输入尺度或采样方式，再追踪错误是否沿边界集中。



本页连接细/粗特征的目的不是保证某个结构胜出，而是让我们可以问一个可测问题：增加细分支是否在同一输入和训练协议下，实际减少了所关心的窄缝错误？已有实验提供起点，完整架构对照仍需另设。


## 继续阅读与实验