摘要
目标检测是计算机视觉领域中重要的研究课题之一，在实现自动化、提高效率、推动科技发展方面具有广泛的研究和实际应用价值。如今，大、中型目标检测由于目标相对容易检测，已取得比较好的检测效果。但小目标存在诸如分辨率低易重叠等一系列问题，检测难度相对较大。为解决小目标检测难度大的问题，本文以YOLOv8为基线模型，对其损失函数计算方法、neck端和骨干网络进行优化以提升此模型对于小目标的检测效果，具体改进如下： (1)针对小目标标注框分辨率低，分布密集易重叠等问题，本文在YOLOv8的骨干网络添加可变形卷积模块。添加的可变形卷积模块能够灵活处理小目标对应检测点感受野不足的问题，加强对小目标的关注，使得漏检误检的情况得到有效改善，提升检测精度。 (2)针对小目标检测易受图像背景及噪音干扰等问题，本文在YOLOv8的neck端结构中加入注意力机制。利用注意力机制的特性将注意力聚焦于更为重要的关键特征，能从大量信息中筛选出相对重要的信息，增强对底层特征的关注程度，加强对小目标的关注度，进而提升模型检测精度。 (3)针对小目标分类与定位损失不易计算的问题，在已有的IoU损失函数中本文鉴于wise-IoU的思想，提出了一种全新的IoU损失函数计算方法HIoU。该计算方法能够在训练的不同阶段动态调整损失函数中各部分的占比，使得小目标能够更好地回归到真实标注框，提升小目标的检测表现。 实验结果显示，在维持训练时间和推理速度的情况下，本文优化后的模型相对于YOLOv8对小目标的检测表现有提高。
NETL