针对小目标检测领域中的尺度变化、复杂背景干扰、漏检和误检等挑战性问题,提出了改进YOLOv7的小目标检测方法。在YOLOv7目标检测框架的基础上,加入了新的自适应特征收集再分配模块(adaptive feature collection and redistribution,AF...针对小目标检测领域中的尺度变化、复杂背景干扰、漏检和误检等挑战性问题,提出了改进YOLOv7的小目标检测方法。在YOLOv7目标检测框架的基础上,加入了新的自适应特征收集再分配模块(adaptive feature collection and redistribution,AFCR)。该模块能够实现对多尺度特征的有效融合,从而增强模型对小目标的检测能力,并丰富输出特征的上下文信息。进一步地,运用特征蒸馏技术,使得学生模型能够从教师模型中学习关键特征表示,避免跨阶段的语义差异带来的负面影响,从而显著提升模型的泛化性和鲁棒性。在CCTSDB、FloW-Img和TinyPerson三个公开小目标检测数据集上的实验结果表明,提出的方法分别实现了96.4%、84.9%和33.0%的检测准确率,相较于原始YOLOv7方法,mAP@0.5分别提升了6.5、3.9和2.9个百分点。展开更多
文摘针对小目标检测领域中的尺度变化、复杂背景干扰、漏检和误检等挑战性问题,提出了改进YOLOv7的小目标检测方法。在YOLOv7目标检测框架的基础上,加入了新的自适应特征收集再分配模块(adaptive feature collection and redistribution,AFCR)。该模块能够实现对多尺度特征的有效融合,从而增强模型对小目标的检测能力,并丰富输出特征的上下文信息。进一步地,运用特征蒸馏技术,使得学生模型能够从教师模型中学习关键特征表示,避免跨阶段的语义差异带来的负面影响,从而显著提升模型的泛化性和鲁棒性。在CCTSDB、FloW-Img和TinyPerson三个公开小目标检测数据集上的实验结果表明,提出的方法分别实现了96.4%、84.9%和33.0%的检测准确率,相较于原始YOLOv7方法,mAP@0.5分别提升了6.5、3.9和2.9个百分点。
