摘要：本文针对现有目标检测方法对小目标检测的不足,提出多特征融合改进的Faster-RCNN小目标检测算法,通过设计特征提取结构来融合多层特征,同时优化候选区域生成方法和卷积神经网络结构,提高算法检测效果。实验结果证明,本方法在对小目标进行检测时,平均检测精度均值较原始Faster-RCNN高出约9.8%。

摘要：小目标检测一直是目标检测领域的热点,而航拍小目标图像具有尺度变化大、视角和姿态变化多样等特点,容易造成漏检、误检。针对这些问题,提出基于YOLOv8s改进的轻量化小目标检测算法。首先,在Backbone部分使用CESE_C2f模块,利用轻量化注意力机制提升检测效果并降低参数量;其次,根据BiFPN思想设计新的网络结构,充分利用已有网络信息加强深层与浅层特征信息的融合;最后,使用新的轻量化检测头LW_Detect(Lightweight_Detect)大幅度降低运算量与参数量,以满足实时性要求。实验结果表明,所提算法在Visdrone数据集上的mAP50和mAP50:95分别达到41.4%和24.9%,相较原始YOLOv8s算法精度提高了1.6%和1.3%,参数量和运算量降低了36.8%和42.8%。

摘要：为了有效攻克SSD算法对小目标检测不敏感这一难题,文中分析了SSD算法的缺陷并给出了改进算法,该算法以一种新颖的特征融合方式将不同尺度的特征图融合在一起,同时利用新生成的特征图替换了原SSD算法中的特征图,形成全新的特征金字塔以预测最终的检测结果。通过在PascalVOC上进行的一系列实验,证实了文中算法的性能,测试结果表明改进模型对小目标的检测精度提升了3.2%,同时检测的速度也很好地满足了对实时性能的要求。

摘要：针对自动驾驶场景遮挡目标和小目标检测困难问题,提出了FAN-YOLOv8n自动驾驶检测算法。设计了特征感受野融合模块(EFFVM),增强模型主干部分对局部特征的提取,提高模型对遮挡目标的检测能力;在模型头部增加了更浅特征层P2的检测头,提高模型对于小目标的检测效果;在模型颈部设计了特征指导模块(FGM)来融合浅层和深层的特征信息,使得两层之间能够更好地进行特征交互,让模型更关注细粒特征。提出了特征层融合模块(FLFM),融合多尺度特征层并进行特征增强,使模型能够自适应不同尺度目标的检测。实验结果表明,在SODA10M数据集和部分BDD100K数据集上,改进模型的mAP0.5对比原始YOLOv8n模型提升了7个百分点和6.5个百分点,适用于实际自动驾驶检测任务。

摘要：针对无人机航拍图像存在多个小目标聚集、目标尺度变化大的问题,提出一种改进YOLOv8的目标检测算法TS-YOLO(tiny and scale-YOLO)。在主干部分去除冗余的特征提取层,设计了一种高效特征提取模块(efficient feature extraction module,EFEM),避免小目标特征消失在冗余信息中。在颈部设计了一种双重跨尺度加权特征融合方法(dual cross-scale weighted feature-fusion,DCWF),融合多尺度信息的同时抑制噪声干扰,提升特征表达能力。通过构建一种参数共享检测头(parameter-shared detection header,PSDH),使回归和分类任务实现参数共享,保证检测精度的同时有效降低了模型的参数量。所提模型在VisDrone-2019数据集上的精度(P)和召回率(R)分别达到54.0%、42.5%;相比于原始YOLOv8s模型,mAP50提高了5.0个百分点,达到44.5%,且参数量减少了55.8%,仅有4.94×106;在DOTAv1.0遥感数据集上,mAP50达到71.9%,仍具有较好的泛化能力。

摘要：针对合成孔径雷达(synthetic aperture radar,SAR)图像样本特征差异大、目标尺度不均衡、背景散斑噪声高所导致的检测精度低、推理速度慢问题,提出一种融合空-频域的动态SAR图像目标检测算法。首先,采用分流感知策略构造空-频域感知单元,结合动态感受野及分数阶Gabor变换法,增强算法对空间多样性特征和频率散射特征的捕获能力与感知力,优化模型对全局上下文信息的保留能力,加快推理速度,降低特征映射模式相似性与背景噪声干扰,有效改善漏检、误检情况。其次,采用重参数学习法设计自适应特征融合模块,优化多尺度特征间的交互与整合,丰富特征的多样性,缓解特征采样引起的差异映射与信息丢失问题,加强小目标信息与关键频率信息在融合过程中的显著性,提高多尺度样本检测精度。最后,引入DY_IoU动态回归损失函数,利用自适应尺度惩罚因子与动态非单调注意力机制解决锚框膨胀和位置偏差问题,进一步增强模型对多尺度目标的定位与检测能力,加快模型收敛速度,减少模型计算量。在公开数据集SAR-Acraft-1.0和HRSID上进行相关实验,实验结果表明:该方法mAP@0.5数值达到了95.9%和98.8%,较基线模型分别提升5.2%和1.2%,且优于其他对比算法。表明该算法显著提升了检测精度,具备良好的鲁棒性与泛化性。

摘要：在自然环境下精确实时地检测交通标志小目标对自动驾驶和智慧交通有着重要意义,然而现有算法难以平衡速度与精度的问题。基于YOLOv7-tiny算法,提出了一种改进YOLOv7-tiny的交通标志小目标实时检测算法,即YOLO-T算法。采用条件参数化卷积(CondConv)结构,提升了骨干网络的特征提取能力。为增强对小目标的定位准确度并保证检测速度,设计了TinyFPN特征融合网络结构和ELAN-P网络聚合层。为了验证YOLO-T算法的有效性,在TT100K数据集上做了消融实验和对比实验。实验结果表明,在训练样本及训练设备参数相同的情况下,YOLO-T比YOLOv7-tiny算法的均值平均精度(mAP)提升了16.8%,并且单张图片的检测时间仅10.2 ms。可见,所提的YOLO-T算法能够平衡交通标志小目标的检测速度与精度。

摘要：针对水上漂浮垃圾检测中微小目标物体数量占比高、检测画面易受到水面波动和岸边环境反光等多重因素的干扰、检测模型庞大的参数量和计算量对终端的部署的设备性能要求高等问题,拟提出一种轻量化、高精度、实时性的检测模型LS-YOLO。首先,该算法利用HS-FPN金字塔网络设计构造YOLOv8的Neck网络结构,构建的网络结构牺牲小部分精度,显著降低了模型的参数数量和计算复杂度。其次,通过引入CAA上下文锚定注意机制改进HS-FPN,捕获远程上下文信息来回升检测精度。然后通过更换损失函数为具有动态聚焦机制的Wise-IoUv3,大幅提升检测效果,增加模型鲁棒性。最后,使用LAMP剪枝技术对模型进行剪枝,减小模型的参数量和计算量。实验结果表明,改进后的LS-YOLO相比基准模型mAP50提升了0.9%,回归率提升了3.2%,参数量降至基准模型的19.83%,计算量降至基线的44.44%,模型大小降至基线的22.22%。经过优化后的检测算法不仅显著提升了检测性能与特征提取的精准度,同时也便于在资源受限的硬件平台上的部署操作。

摘要：针对高压线路中绝缘子检测中存在目标背景多样化、缺陷不规则、闪络缺陷不明显等问题,提出了结合多样化分支特征和排斥损失的YOLOv11绝缘子缺陷检测算法。设计了SEAM(spatially enhanced attention module)模块,将排斥损失(repulsion loss)融入模块中,并对C2PSA(C2PSA-SEAM)模块中的PSA注意力层进行了更新,提出C2PSA-S模块,来补偿被遮挡区域的响应损失,抑制背景多样化对特征图的干扰。并引入GELAN(generalized ELAN)思想,设计使用多分支卷积模块DBB-GC(diverse branches block-GELAN)来增强在特征提取时的空间感知能力,在基准模型中对C3K2内部结构进行重构,提升目标复合特征的质量。在此基础上,加入融合了多层次点采样策略的动态上采样器DySample(upsampling by dynamic),将上采样过程定义为点采样(point sampling),提升上采样的质量和效率。并使用参数化修正线性单元PReLU(parametric rectified linear unit)替换SiLU(sigmoid linear unit),利用参数传播使网络更好地拟合数据。实验结果表明,该模型的mAP@0.5和mAP@0.95分别达到了92.5%和63.0%,较基准模型mAP@0.5和mAP@0.95分别提升了3.4个百分点和2.2个百分点。同时,绝缘子破损、闪络缺陷的检测精度分别提高了5.0个百分点和4.9个百分点,满足背景多样化下绝缘子的实际检测需求。

摘要：针对汽车门板紧固件在复杂场景下存在的检测准确度较低和实时性较差的问题,提出一种小目标改进算法YOLOv8-SOD(small object detection)。在主干网络引入SPD(space-to-depth)模块和自适应权重分配模块,在算法的颈部网络输出位置增加选择性注意力模块,将CIOU损失函数替换为MPDIOU损失函数。实验结果表明,YOLOv8-SOD算法平均检测精度为99.1%,比模板匹配方法和YOLOv8算法分别提高了9.4%、2%,达到了工厂生产流水线的检测标准,具有实用价值。