基于YOLOv8s改进的小目标检测算法

作     者：雷帮军 余翱 余快 

作者机构：三峡大学计算机与信息学院 三峡大学湖北省水电工程智能视觉监测重点实验室 

出 版 物：《无线电工程》 (Radio Engineering)

年 卷 期：2023年

学科分类：08[工学] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 0802[工学-机械工程] 0811[工学-控制科学与工程] 

基　　金：水电工程智能视觉监测湖北省重点实验室建设(2019ZYYD007) 

主　　题：小目标检测 YOLOv8s GAM注意力机制 CARAFE 损失函数 

摘      要：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。首先，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，提高小目标的感知和捕获能力；其次，在特征提取网络中使用部分卷积PConv(Partial Convolution)和EMA(Efficient Multi-Scale Attention)注意力机制构建全新的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；为了更好的匹配小目标的尺度，优化调整SPPCSPC池化核的尺寸，同时引入SimAM无参注意力机制，加强复杂背景下小目标特征提取；再次，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；之后引入了全局注意力机制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EffectiveSE设计全新的的G＿E＿C2f，进一步降低参数量，降低模型的误检率和漏检率；最后，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回归的精度。实验结果表明，该算法在VisDrone2019数据集上面的精确度(Precision)、召回率(Recall)和平均精度(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。