基于YOLOv8s改进的小目标检测算法

作者：雷帮军; 余翱; 余快

来源：无线电工程, 2024, 54(04): 857-870.

DOI：10.3969/j.issn.1003-3106.2024.04.009

• 小目标检测
• YOLOv8s
• 全局注意力机制
• CARAFE
• 损失函数

针对目标检测任务中小目标尺寸较小、背景复杂、特征提取能力不足、漏检和误检严重等问题，提出了一种基于YOLOv8s改进的小目标检测算法——Improved-v8s。Improved-v8s算法重新设计了特征提取和特征融合网络，优化检测层架构，增强浅层信息和深层信息的融合，提高了小目标的感知和捕获能力；在特征提取网络中使用部分卷积（Partial Convolution, PConv）和高效多尺度注意力（Efficient Multi-scale Attention, EMA）机制构建全新的F＿C2f＿EMA,在降低网络参数量和计算量的同时，通过通道重塑和维度分组最大化保留小目标的特征信息；为了更好地匹配小目标的尺度，优化调整SPPCSPC池化核的尺寸，同时引入无参注意力机制（Simple-parameter-free Attention Module, SimAM）,加强复杂背景下小目标特征提取；在Neck部分使用轻量级上采样模块——CARAFE,通过特征重组和特征扩张保留更多的细节信息；引入了全局注意力机制（Global Attention Mechanism, GAM）通过全局上下文的关联建模，充分获取小目标的上下文信息；使用GSConv和Effective Squeeze-Excitation（EffectiveSE）设计全新的G＿E＿C2f,进一步降低参数量，降低模型的误检率和漏检率；使用WIoU损失函数解决目标不均衡和尺度差异的问题，加快模型收敛的同时提高了回归的精度。实验结果表明，该算法在VisDrone2019数据集上的精确度（Precision）、召回率（Recall）和平均精度（mean Average Precision, mAP）为58.5%、46.0%和48.7%,相较于原始YOLOv8s网络分别提高了8%、8.5%和9.8%,显著提高了模型对小目标的检测能力。在WiderPerson和SSDD数据集上进行模型泛化性实验验证，效果优于其他经典算法。