基于ＹOLOv8s改进的小目标检测算法

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———Ｉｍｐｒｏｖｅｄｖ８ｓ。Ｉｍｐｒｏｖｅｄｖ８ｓ 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（ＰａｒｔｉａｌＣｏｎｖｏｌｕｔｉｏｎ，ＰＣｏｎｖ） 和高效多尺度注意力（Ｅｆｆｉｃｉｅｎｔ Ｍｕｌｔｉｓｃａｌｅ Ａｔｔｅｎｔｉｏｎ，ＥＭＡ） 机制构建全新的Ｆ＿ Ｃ２ ｆ＿ 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（Ｓｉｍｐｌｅｐａｒａｍｅｔｅｒｆｒｅｅ 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 ＳｑｕｅｅｚｅＥｘｃｉｔａｔｉｏｎ （ＥｆｆｅｃｔｉｖｅＳＥ） 设计全新的Ｇ＿Ｅ＿Ｃ２ ｆ，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。

关键词：小目标检测；ＹＯＬＯｖ８ｓ；全局注意力机制；ＣＡＲＡＦＥ；损失函数

中图分类号：ＴＰ３９１． ４ 文献标志码：Ａ 开放科学（资源服务）标识码（ＯＳＩＤ）：

文章编号：１００３－３０１６（２０２４）０４－０８５７－１４

０ 引言

目标检测是计算机视觉领域中一项重要而有挑战性的任务，旨在自动识别和定位图像或视频中的特定对象。随着计算机视觉技术的迅猛发展和深度学习算法的广泛应用，目标检测被广泛应用在人脸识别［１］、身份认证系统［２］和自动驾驶等领域。当前，以深度学习为代表的大目标检测已经取得了理想的效果，但是对微小目标检测还处于探索阶段。由于小目标尺度小、分辨率低、上下文信息不足、目标与背景之间的尺度失衡、缺乏位置的准确性，导致小目标检测非常困难，误检和漏检严重。小目标的定义目前有２ 种：一种是相对尺寸大小，根据国际光学工程学会的定义，将图像中物体的尺寸小于原始图像大小０． １２％ 的看作是小目标；另外一种是绝对尺寸大小，在ＭＳ ＣＯＣＯ［３］数据集中将尺寸小于３２ ｐｉｘｅｌ×３２ ｐｉｘｅｌ 的目标视为小目标。目标检测算法中对于小目标检测的算法可以分为２ 类：一类是传统的目标检测算法；另一类是基于深度学习的目标检测算法。传统目标检测算法可以分为３ 个步骤，首先通过特定方法生成一系列的候选框，然后提取目标的特征信息，最后设计合适的分类器，但是这类方法特征表示能力有限、缺乏上下文信息、计算复杂度高、难以应对小目标复杂场景。基于深度学习的算法又可以细分为两阶段目标检测（Ｔｗｏｓｔａｇｅ）算法和一阶段目标检测（Ｏｎｅ-ｓｔａｇｅ）算法。Ｔｗｏ-ｓｔａｇｅ算法生成一系列目标候选区域，通过卷积神经网络对目标区域进行特征提取以分类和定位。这类经典算法的代表有Ｒ-ＣＮＮ［４］、Ｆａｓｔ Ｒ-ＣＮＮ［５］和Ｆａｓｔｅｒ Ｒ-ＣＮＮ［６］，优点是精度高检测效果好，但由于计算量大、运行速度慢、实时性不高等问题难以在移动端设备上部署。Ｏｎｅ-ｓｔａｇｅ 算法省略了先验框的生成，通过回归分析直接产生目标类别概率和预测框坐标信息。这类算法的代表有ＹＯＬＯｖ１［７］、ＹＯＬＯｖ２［８］、ＹＯＬＯｖ３［９］、ＹＯＬＯｖ４［１０］、ＹＯＬＯｖ５［１１］、ＹＯＬＯｖ８［１２］ 和ＳＳＤ［１３］等。由于计算量小、实时性高，应用更加广泛。

近年来在小目标检测算法的研究中，吴明杰等［１４］在ＹＯＬＯｖ５ｓ 中加入双层路由注意力机制并采用动态目标检测头，解决小目标特征信息丢失和漏检的问题，但是计算量和参数量增加较大。贾晓芬等［１５］将深度可分离卷积和ＥＣＡ 注意力机制结合设计轻量化的卷积模块ＥＣＡＣｏｎｖ，并在骨干网络中引入跳跃连接构建特征综合提取单元ＥＣ３ ，有效增加了浅层信息的提取，降低网络的参数量，但是检测精度提升不明显。余俊宇等［１６］在ＹＯＬＯｖ７ 中加入集中特征金字塔和混合注意力模块ＡＣｍｉｘ，加强网络对小目标的敏感度，解决在检测过程中受遥感目标尺度差异显著和检测背景复杂带来的影响，但是存在一定的漏检和误检。张徐等［１７］在ＹＯＬＯｖ７ 中添加小目标检测层，利用余弦注意力机制和后正则化方法设计了ｃｏｓＳＴＲ 模块，解决尺度变化范围大以及目标特征信息过少的问题，但是对特征不明显的目标仍然存在漏检的情况。李子豪等［１８］在主干网络和特征增强网络部分嵌入自适应协同注意力机制模块，同时优化检测头设计，提升对小目标区域的关注度和检测性能，但是对目标遮挡的情况还有待提高。这些方法都存在着一些不足，例如以参数量换取精度的提升、面对复杂场景小目标漏检严重、实时性有待提高等。

针对小目标像素少、分辨率低、表达能力弱、背景信息复杂、误检和漏检严重等问题，本文提出了一种基于ＹＯＬＯｖ８ｓ 改进的算法Ｉｍｐｒｏｖｅｄ-ｖ８ｓ，主要创新如下：

① 针对小目标尺度小、特征表达能力弱，重新设计了特征提取和特征融合网络，删除大目标检测层新增小目标检测层，实现浅层信息和深层信息的充分融合，加强小目标特征的表征能力，实现小目标感受野的加权。

② 在特征提取部分，使用部分卷积（ＰａｒｔｉａｌＣｏｎｖｏｌｕｔｉｏｎ，ＰＣｏｎｖ ） ［１９］和高效多尺度注意力（Ｅｆｆｉｃｉｅｎｔ Ｍｕｌｔｉ-ｓｃａｌｅ Ａｔｔｅｎｔｉｏｎ，ＥＭＡ）机制［２０］构建了全新的Ｆ＿Ｃ２ ｆ＿ＥＭＡ 模块，利用ＰＣｏｎｖ 的特性有效降低了网络的计算量和参数量，引入ＥＭＡ 机制，通过通道重塑和维度分组最大化保留小目标的特征信息，提高检测性能。

③ 使用无参注意力机制（Ｓｉｍｐｌｅ-ｐａｒａｍｅｔｅｒ-ｆｒｅｅＡｔｔｅｎｔｉｏｎ Ｍｏｄｕｌｅ，ＳｉｍＡＭ）［２１］和ＳＰＰＣＳＰＣ 构建了全新的ＳＭ＿ＳＰＰＣＳＰＣ 多尺度结构，针对小目标空间位置范围小，重新调整了池化核的大小，适应小目标的尺度，之后嵌入ＳｉｍＡＭ 进一步加强复杂背景下密集小目标特征提取能力，提升模型的鲁棒性。

④ 在Ｎｅｃｋ 部分，为了进一步降低模型的参数量，使用鬼影混洗卷积（ＧＳＣｏｎｖ）［２２］和ＥｆｆｅｃｔｉｖｅＳＥ（Ｅｆｆｅｃｔｉｖｅ Ｓｑｕｅｅｚｅ-Ｅｘｃｉｔａｔｉｏｎ）注意力机制［２３］构建Ｇ＿Ｅ＿Ｃ２ ｆ 模块，在轻量化的同时降低小目标漏检率和误检率。

１ ＹＯＬＯｖ８ｓ 算法

ＹＯＬＯｖ８ 是目前ＹＯＬＯ 系列中最新的Ｏｎｅ-ｓｔａｇｅ算法，相较于其他主流目标检测算法，其速度更快、精度更高、性能更好，在众多任务上取得了ＳＯＴＡ 的成绩。ＹＯＬＯｖ８ 目前一共有５ 个版本：ＹＯＬＯｖ８ｎ、ＹＯＬＯｖ８ｓ、ＹＯＬＯｖ８ｍ、ＹＯＬＯｖ８ｌ 和ＹＯＬＯｖ８ｘ，考虑到计算速度、实时性和精度，本文选择ＹＯＬＯｖ８ｓ 作为Ｂａｓｅｌｉｎｅ，在此基础上改进和创新满足小目标检测的任务。相较于ＹＯＬＯｖ５，ＹＯＬＯｖ８ 主要有两大改进，首先检测头部分换成了当前主流的解耦头，同时从Ａｎｃｈｏｒ-Ｂａｓｅｄ 变为Ａｎｃｈｏｒ-Ｆｒｅｅ；其次抛弃了以往ＩｏＵ 匹配或者单边比例的匹配方式，而是使用了Ｔａｓｋ-Ａｌｉｇｎｅｄ Ａｓｓｉｇｎｅｒ 正负样本匹配方式，并引入了ＤＦＬ ｌｏｓｓ。在数据增强部分借鉴了ＹＯＬＯＸ［２４］的思想，在最后１０ 个ｅｐｏｃｈ 关闭Ｍｏｓａｉｃ 数据增强，有效提升了精度。

２ Ｉｍｐｒｏｖｅｄ-ｖ８ｓ 总体网络介绍

Ｉｍｐｒｏｖｅｄ-ｖ８ｓ 网络结构如图１ 所示，由Ｂａｃｋｂｏｎｅ、Ｎｅｃｋ 和Ｈｅａｄ 三部分构成，其中Ｂａｃｋｂｏｎｅ负责特征信息的提取；Ｎｅｃｋ 增强骨干网络提取的特征，引入多尺度信息，提高模型对小目标的感知能力；Ｈｅａｄ 生成目标检测的最终输出。Ｉｍｐｒｏｖｅｄ-ｖ８ｓ 共有４ 个创新模块和３ 个现有工作改进点。首先针对小目标的特性，重新设计了特征提取和特征融合网络，丰富不同阶段信息的融合，在原始网络上删除大目标检测层，新增小目标检测层，在大幅降低参数量，保证模型轻量化的同时，显著提高了小目标检测的精度；之后在Ｂａｃｋｂｏｎｅ 特征提取网络使用ＰＣｏｎｖ 和ＥＭＡ 机制结合Ｃ２ ｆ 设计了全新的Ｆ＿Ｃ２ ｆ＿ＥＭＡ 模块，在有效降低网络参数量和计算量的同时，跨空间处理短期和长期依赖，通过重塑通道和维度分组，保留更多小目标的信息。针对小目标空间位置小的特性，使用ＳｉｍＡＭ 和ＳＰＰＣＳＰＣ 结构设计了多尺度结构ＳＭ＿ＳＰＰＣＳＰＣ，通过重新设计池化核的大小，适应小目标的空间尺度，ＳｉｍＡＭ 的引入进一步加强了复杂场景下密集小目标特征信息的提取。最后为了降低小目标的漏检和误检率，在Ｎｅｃｋ 部分使用ＧＳＣｏｎｖ 和ＥｆｆｅｃｔｉｖｅＳＥ 注意力机制结合Ｃ２ ｆ 精心设计了Ｇ＿Ｅ＿Ｃ２ ｆ 模块。

为了进一步提升网络的性能引入了３ 个现有改进点，分别是使用轻量级上采样模块ＣＡＲＡＦＥ［２５］替换普通上采样；之后连接全局注意力机制（ＧｌｏｂａｌＡｔｔｅｎｔｉｏｎ Ｍｅｃｈａｎｉｓｍ，ＧＡＭ）［２６］增强小目标的上下文信息；使用ＷＩｏＵ［２７］损失函数替换原始ＣＩｏＵ［２８］损失函数，加快了模型的收敛，提高了回归速度。

实验表明，Ｉｍｐｒｏｖｅｄ-ｖ８ｓ 在ＶｉｓＤｒｏｎｅ２０１９ 数据集上精确度（Ｐｒｅｃｉｓｉｏｎ，Ｐ ）和平均精度均值（ｍｅａｎＡｖｅｒａｇｅ Ｐｒｅｃｉｓｉｏｎ，ｍＡＰ）达到５８． ５％ 、４８． ７％ ，相较于ＹＯＬＯｖ８ｓ 提升了８％ 和９． ８％ ，显著提高了对小目标的检测能力，并且ＦＰＳ 达到１１６，实时性较高。后文将重点介绍４ 个创新模块。

２． １ 网络重设计增加小目标检测层

ＹＯＬＯｖ８ｓ 网络检测层架构如图２（ａ）所示，Ｐ３ 、Ｐ４ 、Ｐ５ 检测层输出特征图的尺度分别为８０ ｐｉｘｅｌ×８０ ｐｉｘｅｌ、４０ ｐｉｘｅｌ×４０ ｐｉｘｅｌ、２０ ｐｉｘｅｌ×２０ ｐｉｘｅｌ，依次对应检测小、中、大目标。其中Ｐ３ 检测层输出的特征图尺寸为８０ ｐｉｘｅｌ×８０ ｐｉｘｅｌ，每个像素点表示原始图像８ ｐｉｘｅｌ×８ ｐｉｘｅｌ 区域的信息，但是实际上很多小目标的尺度比８ ｐｉｘｅｌ×８ ｐｉｘｅｌ 更小，这就导致了小目标检测准确率不高、漏检严重。基于此，刘展威等［２９］提出新增特征图尺度为１６０ ｐｉｘｅｌ×１６０ ｐｉｘｅｌ 的小目标检测层来解决无人机航拍图像小目标信息特征捕获不足的问题，如图２（ｂ）所示，这种方法在性能上虽然有一定提升，但是网络的参数量大，计算开销也大。基于此，Ｉｍｐｒｏｖｅｄ-ｖ８ｓ 改进ＹＯＬＯｖ８ｓ，删除２０ ｐｉｘｅｌ× ２０ ｐｉｘｅｌ 大目标检测层，新增１６０ ｐｉｘｅｌ ×１６０ ｐｉｘｅｌ Ｐ２ 小目标检测层，实现了微小目标的捕获，在大幅度降低参数量的同时，精度保持较高。如图２（ｃ）所示，在特征融合阶段首先进行深层语义信息向浅层语义信息的流动，实现了４０ ｐｉｘｅｌ ×４０ ｐｉｘｅｌ、８０ ｐｉｘｅｌ×８０ ｐｉｘｅｌ、１６０ ｐｉｘｅｌ×１６０ ｐｉｘｅｌ 的特征融合，然后进行浅层语义信息向深层语义信息的流动，实现了１６０ ｐｉｘｅｌ×１６０ ｐｉｘｅｌ、８０ ｐｉｘｅｌ×８０ ｐｉｘｅｌ、４０ ｐｉｘｅｌ×４０ ｐｉｘｅｌ 的特征融合，减少了小目标特征信息的丢失。Ｉｍｐｒｏｖｅｄ-ｖ８ｓ 检测层架构如图２ （ｃ）所示。

为了验证网络重新设计的合理性，将文献［２９］额外添加小目标检测层的网络记为方案一并在ＹＯＬＯｖ８ 上进行实验，与Ｉｍｐｒｏｖｅｄ-ｖ８ｓ 进行对比。实验结果如表１ 所示，从表１ 可以看出，Ｉｍｐｒｏｖｅｄ-ｖ８ｓ，相比方案一，在参数量下降一半的情况下，漏检率降低３． ５％ ，平均检测精度高出４％ ，模型体积降至１２． ８ ＭＢ，ＦＰＳ 达到１１６，实时性更高；相比ＹＯＬＯｖ８ｓ，Ｐ、ｍＡＰ 分别提高了８％ 和９． ８％ ，说明Ｉｍｐｒｏｖｅｄ-ｖ８ｓ 网络设计合理，对小目标检测效果提升明显。

２． ２ Ｆ＿Ｃ２ ｆ＿ＥＭＡ 模块

随着卷积神经网络层数的增加，特征图的语义信息逐渐提取和聚合，导致深层特征图中往往包含许多相似的信息。另外由于卷积层的权重共享机制，深层特征图的不同位置会共享卷积核参数，导致特征图信息的冗余。基于此，文献［１９］使用ＰＣｏｎｖ构建轻量化网络ＦａｓｔｅｒＮｅｔ 减少内存访问和开销，同时减少特征图信息的冗余，加强表征能力。针对小目标特征信息容易丢失、尺度捕获能力不强的问题，本文提出使用ＰＣｏｎｖ 和ＥＭＡ 模块构建Ｆａｓｔｅｒ-ＥＭＡＢｌｏｃｋ，并结合Ｃ２ ｆ 设计了全新的Ｆ＿Ｃ２ ｆ＿ＥＭＡ 模块，在有效降低模型参数量和浮点计算量的同时，对全局信息进行编码以重新校准每个并行分支的权重，突出强调小目标的特征。之后通过跨维度交互进一步聚合并行分支的输出特征，跨空间处理短期和长期依赖关系，增强不同通道之间信息的融合，保留更多的上下文信息。

ＥＭＡ 模块采用并行子结构减少网络深度，在不降低通道维度的情况下，为高级特征图产生更好的像素级关注。如图３ 所示，将图３ 中黄色部分ＸＡｖｇ Ｐｏｏｌ、Ｙ Ａｖｇ Ｐｏｏｌ、３×３ 卷积所在的分支记为１×１分支、１×１ 分支、３×３ 分支。其中２ 个１×１ 分支位于上面，一个３ ×３ 分支位于下面。ＥＭＡ 使用１ ×１ 分支、１×１ 分支、３×３ 分支３ 条平行线路来提取分组特征图的注意力权重。在１×１ 分支中，对ｘ 和ｙ 方向进行自适应全局平均池化对信道进行编码，从而对跨通道信息交互进行建模，之后在ｈ 方向将２ 个编码特征连接起来，共享１×１ 的卷积。在１×１ 的卷积输出２ 个向量之后，使用Ｓｉｇｍｏｉｄ 非线性激活函数拟合。之后在通过全局平均池化对１ ×１ 分支中输出的全局空间信息进行编码，并且将最小分支的输出直接在信道特征的联合激活函数之前转化为相应的形状，进一步实现了跨空间信息的聚合。３ ×３ 分支使用３×３ 的卷积核捕获多尺度特征表示，类似１×１分支，同样使用全局平均池化编码３×３ 分支输出的全局信息，经过联合激活函数转化为相应的形状。之后导出保留了整个精确空间位置信息的注意力图。最后每组输出的特征图会被计算为２ 个生成空间空间注意力值的权重，经过Ｓｉｇｍｏｉｄ 函数，突出显示像素的全局上下文。

以ＰＣｏｎｖ 和ＥＭＡ 构建Ｆａｓｔｅｒ-ＥＭＡ Ｂｌｏｃｋ 替代Ｃ２ ｆ 的Ｂｏｔｔｌｅｎｅｃｋ 结构，具体如图４ 所示，输入端经过ＰＣｏｎｖ，ＰＣｏｎｖ 在１ ／ ４ 通道上进行卷积，剩下３ ／ ４的通道保持不变，之后将卷积的结果和上述未卷积的通道进行Ｃｏｎｃａｔ 连接，减少冗余信息。紧接着经过ＣＢＳ 模块，将上层输出特征图的通道数扩充为原来的２ 倍，保持特征的多样性实现更低的延时。ＣＢＳ 模块由１ ×１ 的卷积、正则化和激活函数组成，其中１×１ 卷积主要起到升、降维的作用。经过１×１的卷积降维使通道数和输入保持一样，再接入ＥＭＡ模块，对全局信息编码，实现跨空间信息的聚合，建立短期和长期依赖关系，获取多尺度特征表示，增强小目标的上下文信息。Ｆ＿Ｃ２ ｆ＿ＥＭＡ 以Ｆａｓｔｅｒ-ＥＭＡＢｌｏｃｋ 作为Ｂｏｔｔｌｅｎｅｃｋ 结构，首先通过ＣＢＳ 模块将输出通道数变为２ｃ，再经过Ｓｐｌｉｔ 操作切分为２ 份，将输出的结果串联ｎ 个Ｆａｓｔｅｒ-ＥＭＡ Ｂｌｏｃｋ，在降低参数量和计算量的同时获得了梯度流更加丰富的结构。之后将上述ｎ 个串联的Ｆａｓｔｅｒ-ＥＭＡ Ｂｌｏｃｋ 与经过切分的通道特征图Ｃｏｎｃａｔ 得到输出为（ｎ＋２）×ｃ 的特征图，再经过ＣＢＳ 模块将通道数变为ｃ２ 。如图５ 所示，以ｎ ＝３ 即Ｆａｓｔｅｒ-ＥＭＡ Ｂｌｏｃｋ 使用个数３ 为例，展示了设计的Ｆ＿Ｃ２ ｆ＿ＥＭＡ 结构。

将Ｉｍｐｒｏｖｅｄ-ｖ８ｓ 特征提取网络中第一层和第二层Ｆ ＿ Ｃ２ ｆ ＿ ＥＭＡ 模块的参数量和计算量与原始ＹＯＬＯｖ８ｓ 第一层和第二层Ｃ２ ｆ 进行对比，Ｃ２ ｆ-１ 表示第一层Ｃ２ ｆ，后面依次类推。实验结果如表２ 所示。可以看出，改进后的模块相比原Ｃ２ ｆ，参数量和计算量大幅减少，精度有较大提升（见后面消融实验）。

２． ３ ＳＭ＿ＳＰＰＣＳＰＣ

为了增强对小目标区域的关注度，解决背景复杂、小目标遮挡严重的问题。使用ＳｉｍＡＭ 和ＳＰＰＣ-ＳＰＣ 设计了ＳＭ＿ＳＰＰＣＳＰＣ 结构。ＳｉｍＡＭ 建立在神经科学的基础理论上，类似于人脑中的神经元传递信息一样，ＳｉｍＡＭ 为每一个神经元赋予了三维注意力机制权重，表示小目标关键特征信息的重要性，同时将复杂背景区域和小目标区域进行像素划分，增强复杂背景小目标密集区域的敏感度。针对小目标空间位置小、对周边信息感知不强的问题，将ＳＰＰＣＳＰＣ 中池化核大小由（５，９，１３）优化调整为（５，７，９），匹配小目标的感受野，更好地感知目标周围的局部细节信息，丰富多尺度融合的信息。

ＳｉｍＡＭ 如图６ 所示。Ｃ 代表输入特征图的通道信号与信息处理数，Ｈ 代表高度，Ｗ 代表宽度。ＳｉｍＡＭ 通过神经元感知生成三维注意力机制权重，更加精确地提取小目标特征。

ＳＭ＿ＳＰＰＣＳＰＣ 结构如图７ 所示，首先输入特征图经过ＳｉｍＡＭ，对小目标关键特征赋予三维权重，将复杂背景区域和小目标区域进行像素划分。之后经过５×５、７×７、９×９ 三个不同尺寸大小的池化核，在不同空间尺度上进行特征提取，进一步捕获小目标特征信息，实现多尺度感知。在多尺度拼接之后使用ＰＣｏｎｖ 进行通道调整，减少浮点运算量。再和捷径分支进行Ｃｏｎｃａｔ 融合，丰富特征表示。最后的ＳｉｍＡＭ 进一步关注密集小目标区域，弱化复杂背景的影响，提升模型的鲁棒性。

２． ４ Ｇ＿Ｅ＿Ｃ２ ｆ 模块

ＧＳＣｏｎｖ 是Ｌｉ 等［２２］提出的一种新型卷积方式，是由标准卷积、深度可分离卷积和随机排列组成的混洗卷积。虽然深度可分离卷积可以有效降低网络的参数量，但是会带来通道间特征信息的丢失，而ＧＳＣｏｎｖ 则在减少参数量的同时，最大化保留特征图之间信息的连接，增强小目标信息的提取。基于此，在Ｎｅｃｋ 部分使用ＧＳＣｏｎｖ 和ＥｆｆｅｃｔｉｖｅＳＥ 注意力机制，结合Ｃ２ ｆ，设计了全新的Ｇ＿Ｅ＿Ｃ２ ｆ，在轻量化网络的同时，精确地对特征图通道之间的依赖性进行建模，增强特征表示，有效减少小目标漏检率和误检率，进一步提升了网络总体的检测性能。

ＥｆｆｅｃｔｉｖｅＳＥ 注意力机制如图８ 所示，输入特征图在ｈ 和ｗ 方向上经过全局平均池化和全连接层，保留通道之间的信息，再经过Ｓｉｇｍｏｉｄ 激活函数（符号表示为σ），生成通道注意特征权重，作用于输出特征图，使小目标特征信息更加多样化。ＥｆｆｅｃｔｉｖｅＳＥ注意力机制只使用一个全连接层就巧妙解决了ＳＥ注意力机制由于采用２ 个全连接层时先降维后升维带来的通道信息丢失问题。ＥｆｆｅｃｔｉｖｅＳＥ 注意力机制用公式表达如下，其中Ｘｄｉｖ 表示输入特征图，Ｆａｖｇ 表示经过全局平均池化，Ｗｃ 表示经过全连接层，σ 表示激活函数，ＡｅＳＥ 表示通道注意力权重。

ＡｅＳＥ（Ｘｄｉｖ ） ＝ σ（Ｗｃ（Ｆａｖｇ（Ｘｄｉｖ ）））， （１）

Ｘｒｅｆｉｎｅ ＝ ＡｅＳＥ（Ｘｄｉｖ ）"ⓧＸｄｉｖ 。（２）

设计的Ｇ＿Ｅ ＢｏｔｔｌｅＮｅｃｋ 结构如图９ 所示，首先下分支进行２ 次ＧＳＣｏｎｖ，降低网络的参数量，最大化保留通道之间的特征信息；之后与上分支的卷积进行通道上的拼接，保证通道的正确性；最后经过ＥｆｆｅｃｔｉｖｅＳＥ 注意力机制，进一步保留强化小目标的纹理细节信息。

设计的全新的Ｇ＿Ｅ＿Ｃ２ ｆ 结构如图１０ 所示，用上述Ｇ＿Ｅ ＢｏｔｔｌｅＮｅｃｋ 替换Ｃ２ ｆ 中的ＢｏｔｔｌｅＮｅｃｋ 结构，通过融合不同阶段的特征信息，丰富梯度流表示，提升网络学习之间的多样性。由于ＧＳＣｏｎｖ 和ＥｆｆｅｃｔｉｖｅＳＥ 注意力机制的引入，网络参数量减少，特征信息进一步保留，误检和漏检减少，更加适应多样化的小目标场景。

３ 实验结果与分析

３． １ 实验环境。

本文实验环境为：ＮＶＩＤＩＡ ＧｅＦｏｒｃｅ ＲＴＸ３０９０，显存大小为２４ ＧＢ，Ｕｂｕｎｔｕ ２０． ０４ 操作系统，使用的编程语言为Ｐｙｔｈｏｎ３． ８，ＣＵＤＡ 为１１． ３，ＹＯＬＯｖ８ｓ 依赖库ｕｌｔｒａｌｙｔｉｃｓ 版本为８． ０． １５７，初始学习率为０． ０１，预热轮数为３，在最后１０ 轮关闭数据增强，早停设置为５０。

３． ２ 数据集介绍

为了保证实验数据的合理性，本文共选择了３ 个具有代表性的公开数据集进行实验，分别为ＶｉｓＤｒｏｎｅ２０１９、ＷｉｄｅｒＰｅｒｓｏｎ 和ＳＳＤＤ 数据集。Ｖｉｓ-Ｄｒｏｎｅ２０１９ 为无人机航拍小目标数据集，小目标居多、背景复杂；ＷｉｄｅｒＰｅｒｓｏｎ 数据集是密集行人数据集，遮挡严重、目标密集；ＳＳＤＤ 舰船数据集中几乎都为小目标，尺度小、挑战性大。ＶｉｓＤｒｏｎｅ２０１９ 作为本次实验的主要数据集，在其上做了非常详细的对比实验和消融实验。为了验证模型的泛化性和普适性，在ＷｉｄｅｒＰｅｒｓｏｎ 和ＳＳＤＤ 数据集上进行实验验证。

３． ２． １ ＶｉｓＤｒｏｎｅ２０１９ 数据集

ＶｉｓＤｒｏｎｅ２０１９ 数据集是天津大学机器学习与数据挖掘实验室收集并发布的，一共８ ６２９ 幅图片。其中，６ ４７１ 幅图片作为训练集，５４８ 幅图片作为验证集，１ ６１０ 幅图片作为测试集。该数据集共包括日常场景的１０ 个类别：行人、人、自行车、汽车、面包车、卡车、三轮车、遮阳棚三轮车、巴士和摩托车。该数据集中，类别比例不均衡，并且图片中大多是以小目标的形式存在，给检测带来了极大的困难。

３． ２． ２ ＷｉｄｅｒＰｅｒｓｏｎ 数据集

ＷｉｄｅｒＰｅｒｓｏｎ 数据集为野外行人检测数据集，行人遮挡严重、目标密集，给检测带来了一定的挑战。由于部分图片不带标注，经过合理处理之后得到１２ ４８２ 幅图片，其中７ ２９０ 幅图片作为训练集，８１０ 幅图片作为验证集，４ ２８２ 幅图片作为测试集。

３． ２． ３ ＳＳＤＤ 数据集

ＳＳＤＤ 数据集由中国人民解放军海军航空大学发布，数据集一共包含１ １６０ 幅ＳＡＲ 图像，数据集只有一个类别即舰船，以微小和极小目标为主，检测较为困难，极易出现漏检的情况。按照８ ∶ １ ∶ １ 的比例划分数据集、训练集与测试集，其中９２８ 幅图片作为训练集，１１６ 幅图片作为验证集，１１６ 幅图片作为测试集。

３． ３ 指标参数介绍

本文使用Ｐ、召回率（Ｒｅｃａｌｌ，Ｒ）、ｍＡＰ、模型体积（单位ＭＢ）和ＦＰＳ 作为模型的评价指标。其中Ｐ、Ｒ 和ｍＡＰ 的计算如下：

式中：Ｔｐ 表示真正例即预测正确，Ｆｐ 表示假正例即将不是小目标的预测为小目标，ＦＮ 表示假负例即将小目标预测为其他的类别，ＡＰ 表示单个类别的准确率，ｍＡＰ 表示对ＰＲ 曲线下的面积进行积分得到的结果，是所有类别准确率的均值；ｋ 表示类别数。

３． ４ 消融实验

为了验证本文提出的算法对小目标检测性能提升明显，在ＶｉｓＤｒｏｎｅ２０１９ 上进行消融实验。由于Ｉｍｐｒｏｖｅｄ-ｖ８ｓ 网络架构与ＹＯＬＯｖ８ｓ 整体差异较大，将Ｉｍｐｒｏｖｅｄ-ｖ８ｓ 中添加的所有模块删除得到的基线网络记为Ａ，在Ａ 上进行消融实验验证。在Ａ上依次加入Ｆ＿Ｃ２ ｆ＿ＥＭＡ、ＳＭ＿ＳＰＰＣＳＰＣ、Ｇ＿Ｅ＿Ｃ２ ｆ、ＧＡＭ、ＣＡＲＡＦＥ、ＷＩｏＵ，将得到的网络依次记为Ｂ、Ｃ、Ｄ、Ｅ、Ｆ、Ｇ，实验结果如表３ 所示。从表３ 可以看出，重新设计的网络在参数量下降４３． ９％ 的情况下Ｐ、Ｒ、ｍＡＰ ＠ ０． ５ 相较ＹＯＬＯｖ８ｓ 分别提升了２． ３％ 、４． ３％ 、４． ２％ ，ＦＰＳ 提升了１２，说明删除大目标检测层加入小目标检测层，大幅降低了模型的参数量，加强了模型对小目标的捕获能力，加入Ｆ＿Ｃ２ ｆ＿ＥＭＡ 之后，由于ＰＣｏｎｖ 卷积的特性，网络参数量进一步降低，ＦＰＳ 提升了１１． １％ ，之后通过通道重塑和维度分组最大化保留小目标的特征信息，Ｐ 和ｍＡＰ 有一定提升，经过ＳＭ ＿ＳＰＰＣＳＰＣ 多尺度结构之后，感受野和小目标更加匹配，同时ＳｉｍＡＭ 进一步强化了小目标复杂背景特征信息的提取，Ｐ 和ｍＡＰ 提升明显，由于多尺度结构复杂，参数量小幅上升，Ｇ＿Ｅ＿Ｃ２ ｆ 模块精确地对特征图通道之间的依赖性进行建模，增强特征表示，大大降低了漏检率，ｍＡＰ 提升幅度较大。ＧＡＭ 通过全局建模，保留小目标信息，精度进一步提升。之后通过轻量级上采样ＣＡＲＡＦＥ，利于细节特征重建，进一步提高检测的准确性。最后通过ＷＩｏＵ解决正负样本分配不均的问题，加快模型收敛速度。综上，Ｉｍｐｒｏｖｅｄ-ｖ８ｓ 相较于ＹＯＬＯｖ８ｓ 在Ｐ、Ｒ、ｍＡＰ＠ ０． ５％ 、ｍＡＰ＠ ０． ５：０． ９５、ＦＰＳ 上分别提升了８％ 、８． ５％ 、９． ８％ 、６． ５％ 、１０． ４７％ ，可以看到改进后的算法在大幅降低参数量的同时，网络总体性能有较大提升，对小目标检测效果提升显著。

３． ５ ３ 个数据集实验结果与分析

３． ５． １ ＶｉｓＤｒｏｎｅ 上对比实验结果及分析

为了验证本文提出的算法在小目标检测上的优越性，在ＶｉｓＤｒｏｎｅ２０１９ 上将本文算法与当前先进的小目标检测算法进行对比，实验结果如表４ 所示。对比其他优秀的小目标检测算法，Ｉｍｐｒｏｖｅｄｖ８ｓ 算法在行人、人、自行车、汽车、面包车、卡车、三轮车、遮阳棚三轮车、巴士和摩托车这１０ 个类别上均取得了最佳的检测性能，精度均值分别为５７． ３％ 、４６． ５％ 、２１． ４％ 、８５． ９％ 、５３． １％ 、４３． ９％ 、３５． ４％ 、２０． ８％ 、６５． １％ 、５７． ４％ 。其中小目标类别行人、人、自行车、三轮车、遮阳棚三轮车相较ＹＯＬＯｖ８ｓ 提高了１５． １％ 、１４％ 、１０． ４％ 、８． ４％ 、４． ８％ ；目标类别汽车、面包车、摩托车相较ＹＯＬＯｖ８ｓ 提高了６． １％ 、７． ７％ 、１２． ７％ ，大目标类别卡车、巴士相较ＹＯＬＯｖ８ｓ 提高了８． １％ 、１０． ３％ 。以上实验结果说明Ｉｍｐｒｏｖｅｄｖ８ｓ 在显著提高小目标检测精度的同时，对中、大目标的检测性能依然做出了较大的提升，兼顾了三者之间的平衡。相较于次优的ＹＯＬＯｖ８ｍ，Ｉｍｐｒｏｖｅｄ-ｖ８ｓ 的ｍＡＰ 值高出５． ５％ 。对比较新的文献算法１、２、３，Ｉｍｐｒｏｖｅｄ-ｖ８ｓ 的ｍＡＰ 值比它们高出１０％ 左右，说明了Ｉｍｐｒｏｖｅｄ-ｖ８ｓ 算法优秀的检测性能。归因于本文算法重新设计了特征提取和特征融合模块，加强了小目标特征信息的提取和保留，再加上精心设计的Ｆ＿Ｃ２ ｆ＿ＥＭＡ、ＳＭ＿ＳＰＰＣＳＰＣ 等模块，进一步加强了应对复杂背景的检测能力，提升检测精确度的同时大大降低了漏检率，使得本文算法在应对小目标检测具有极大的优势的同时，对中、大目标检测效果提升明显，具有较好的鲁棒性。

为了验证本文算法在实际场景中的检测效果，选取了ＶｉｓＤｒｏｎｅ２０１９ 测试集中难度较大的图片进行可视化，检测效果对比如图１１ 所示，左侧为ＹＯＬＯｖ８ｓ 算法，右侧为Ｉｍｐｒｏｖｅｄ-ｖ８ｓ 算法，从第一行、第三行、第四行可以看出，本文算法在航拍多尺度小目标、夜间光照复杂场景、夜间密集人群场景下，能够检测出更远和更小的小目标，大大降低了漏检率，提升了模型在复杂场景下的抗干扰能力和提取特征的能力。第五行在海岸高空小目标场景下，ＹＯＬＯｖ８ｓ 由于对小目标尺度不敏感出现了误检的情况，而Ｉｍｐｒｏｖｅｄ-ｖ８ｓ 不仅没有误检，还把更多远距离极小目标精准检测出来。从第二行可以看出，对于较大的目标检测，Ｉｍｐｒｏｖｅｄ-ｖ８ｓ 误检和漏检的情况非常少，总体检测精度较高。以上结果表明，经过改进后的算法Ｉｍｐｒｏｖｅｄ-ｖ８ 在面对复杂场景、极小目标、密集人群和大目标检测等场景下，表现出了优越的性能，模型的精准率显著提升，误检和漏检率大大降低。

３． ５． ２ 模型泛化性实验对比验证

为了验证本文算法在其他小目标数据集上面检测效果显著、泛化性好。在ＷｉｄｅｒＰｅｒｓｏｎ 和ＳＳＤＤ 数据集上面进行实验，并与其他主流的经典算法进行对比，结果如表５ 所示。从表５ 可以看出，在ＷｉｄｅｒＰｅｒｓｏｎ 数据集上，Ｉｍｐｒｏｖｅｄ-ｖ８ｓ 在Ｒ、ｍＡＰ＠ ０． ５、ｍＡＰ ＠ ０． ５：０． ９５ 上较ＹＯＬＯｖ８ｓ 提高了１． ７％ 、１． ４％ 、１． ７％ ，平均检测精度提高，漏检率降低，相比ＹＯＬＯｖ７-ｔｉｎｙ、ＹＯＬＯｖ５ｓ 在ｍＡＰ＠ ０． ５上分别提高了２． ６％ 、３． ２％ 。在ＳＳＤＤ 数据集上，Ｉｍｐｒｏｖｅｄ-ｖ８ｓ 在Ｒ、ｍＡＰ＠ ０． ５、ｍＡＰ＠ ０． ５：０． ９５ 上比ＹＯＬＯｖ８ｓ 提高了３． ５％ 、０． ４％ 、３． ９％ ，相比ＹＯＬＯｖ７-ｔｉｎｙ、ＹＯＬＯｖ５ｓ 在ｍＡＰ ＠ ０． ５ 上分别提高了４． ８％ 、０． ８％ 。综上，Ｉｍｐｒｏｖｅｄ-ｖ８ 算法在其他小目标数据集上面表现优异，精度高、漏检率低、模型尺寸小，具有通用性。

选取ＷｉｄｅｒＰｅｒｓｏｎ 和ＳＳＤＤ 测试集中挑战性较大的图片进行可视化效果对比验证，如图１２ 所示，左边为ＹＯＬＯｖ８ｓ 算法，右边为Ｉｍｐｒｏｖｅｄ-ｖ８ｓ 算法。从第一行可以看出，在ＷｉｄｅｒＰｅｒｓｏｎ 数据集上，Ｉｍｐｒｏｖｅｄ-ｖ８ｓ 算法在远距离微小目标场景下，检测出了很多ＹＯＬＯｖ８ｓ 算法漏检的目标；从第二行可以看出，在ＳＳＤＤ 数据集上，ＹＯＬＯｖ８ｓ 算法漏检严重，很多微小的舰船没有检测出来，而本文算法能够非常精确地将极其微小的目标全部检测出来，说明Ｉｍｐｒｏｖｅｄ-ｖ８ｓ 算法对小目标检测效果显著，漏检率低、泛化能力强，对小目标检测具有通用性。

４ 结束语

针对小目标尺度小、特征提取能力不足、背景复杂、误检和漏检严重等问题。提出了一种基于ＹＯＬＯｖ８ｓ 改进的算法Ｉｍｐｒｏｖｅｄ-ｖ８ｓ。Ｉｍｐｒｏｖｅｄ-ｖ８ｓ通过合理增加小目标检测层，重新构建特征提取和特征融合网络，加强浅层信息和深层语义信息的融合。利用ＰＣｏｎｖ 和ＥＭＡ 机制构建全新的Ｆ＿Ｃ２ ｆ＿ＥＭＡ，降低网络参数量，对全局信息编码，实现小目标跨空间信息的聚合，建立短期和长期依赖，增强小目标特征提取能力。重新设计ＳＰＰＣＳＰＣ 多尺度结构，适应小目标的空间尺度，同时引入ＳｉｍＡＭ，划分复杂背景和小目标像素区域并赋予三维注意力机制权重，加强复杂场景下密集小目标的表征能力。之后使用ＧＳＣｏｎｖ 和ＥｆｆｅｃｔｉｖｅＳＥ 注意力机制设计了全新的Ｇ＿Ｅ＿Ｃ２ ｆ，通过融合不同阶段的特征信息，提升网络学习之间的多样性，保留特征信息，减少误检和漏检率。使用轻量级上采样模块ＣＡＲＡＦＥ 感知生成权重，聚合空间信息。最后使用ＷＩｏＵ 损失函数，平衡正负样本不均衡的问题，加快模型收敛，提高回归精度。实验表明，本文算法精度在ＶｉｓＤｒｏｎｅ２０１９数据集上超越其他主流经典算法，具有精度高、参数量小和实时性高等优点。在ＷｉｄｅｒＰｅｒｓｏｎ 和ＳＳＤＤ数据集上进行泛化实验验证，效果较好。由此，本文提出的小目标检测算法可以看成一种通用小目标检测算法，效果显著。

参考文献

［１］ ＬＩ Ｌ Ｘ，ＭＵ Ｘ Ｈ，ＬＩ Ｓ Ｙ，ｅｔ ａｌ． Ａ Ｒｅｖｉｅｗ ｏｆ Ｆａｃｅ ＲｅｃｏｇｎｉｔｉｏｎＴｅｃｈｎｏｌｏｇｙ［Ｊ］． ＩＥＥＥ Ａｃｃｅｓｓ，２０２０，８：１３９１１０－１３９１２０．

［２］ ＩＳＬＡＭ Ｓ Ｍ Ｍ，ＢＯＲＩＣ＇ ＬＵＢＥＣＫＥ Ｏ，ＺＨＥＮＧ Ｙ，ｅｔ ａｌ． Ｒａ-ｄａｒｂａｓｅｄ Ｎｏｎｃｏｎｔａｃｔ Ｃｏｎｔｉｎｕｏｕｓ Ｉｄｅｎｔｉｔｙ Ａｕｔｈｅｎｔｉｃａｔｉｏｎ［Ｊ］． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２０２０，１２（１４）：２２７９．

［３］ ＬＩＮ Ｔ Ｙ，ＭＡＩＲＥ Ｍ，ＢＥＬＯＮＧＩＥ Ｓ，ｅｔ ａｌ． ＭｉｃｒｏｓｏｆｔＣＯＣＯ：Ｃｏｍｍｏｎ Ｏｂｊｅｃｔｓ ｉｎ Ｃｏｎｔｅｘｔ［Ｃ］∥Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆｔｈｅ Ｅｕｒｏｐｅａｎ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ． Ｚｕｒｉｃｈ：Ｓｐｒｉｎｇｅｒ，２０１４：７４０－７５５．

［４］ ＧＩＲＳＨＩＣＫ Ｒ，ＤＯＮＡＨＵＥ Ｊ，ＤＡＲＲＥＬＬ Ｔ，ｅｔ ａｌ． ＲｉｃｈＦｅａｔｕｒｅ Ｈｉｅｒａｒｃｈｉｅｓ ｆｏｒ Ａｃｃｕｒａｔｅ Ｏｂｊｅｃｔ Ｄｅｔｅｃｔｉｏｎ ａｎｄ Ｓｅｍａｎｔｉｃ Ｓｅｇｍｅｎｔａｔｉｏｎ［Ｃ］∥Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥＥＥ ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ．Ｃｏｌｕｍｂｕｓ：ＩＥＥＥ，２０１４：５８０－５８７．

［５］ ＧＩＲＳＨＩＣＫ Ｒ． Ｆａｓｔ ＲＣＮＮ ［Ｃ ］∥ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ． Ｓａｎｔｉａｇｏ：ＩＥＥＥ，２０１５：１４４０－１４４８．

［６］ ＲＥＮ Ｓ Ｑ，ＨＥ Ｋ Ｍ，ＧＩＲＳＨＩＣＫ Ｒ，ｅｔ ａｌ． Ｆａｓｔｅｒ ＲＣＮＮ：Ｔｏｗａｒｄｓ Ｒｅａｌｔｉｍｅ Ｏｂｊｅｃｔ Ｄｅｔｅｃｔｉｏｎ ｗｉｔｈ Ｒｅｇｉｏｎ ＰｒｏｐｏｓａｌＮｅｔｗｏｒｋｓ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐａｔｔｅｒｎ Ａｎａｌｙｓｉｓ ａｎｄＭａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ，２０１７，３９（６）：１１３７－１１４９．

［７］ ＲＥＤＭＯＮ Ｊ，ＤＩＶＶＡＬＡ Ｓ，ＧＩＲＳＨＩＣＫ Ｒ，ｅｔ ａｌ． Ｙｏｕ ＯｎｌｙＬｏｏｋ Ｏｎｃｅ：Ｕｎｉｆｉｅｄ，Ｒｅａｌｔｉｍｅ Ｏｂｊｅｃｔ Ｄｅｔｅｃｔｉｏｎ［Ｃ］∥Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄＰａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． Ｌａｓ Ｖｅｇａｓ：ＩＥＥＥ，２０１６：７７９－７８８．

［８］ ＲＥＤＭＯＮ Ｊ，ＦＡＲＨＡＤＩ Ａ． ＹＯＬＯ９０００：Ｂｅｔｔｅｒ，Ｆａｓｔｅｒ，Ｓｔｒｏｎｇｅｒ［Ｃ］∥ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎＣｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． Ｈｏｎｏｌｕｌｕ：ＩＥＥＥ，２０１７：６５１７－６５２５．

［９］ ＲＥＤＭＯＮ Ｊ，ＦＡＲＨＡＤＩ Ａ． ＹＯＬＯｖ３：Ａｎ Ｉｎｃｒｅｍｅｎｔａｌ Ｉｍｐｒｏｖｅｍｅｎｔ［ＥＢ ／ ＯＬ］． （２０１８ － ０４ － ０８）［２０２３ － １１ － ０９］．ｈｔｔｐｓ：∥ａｒｘｉｖ． ｏｒｇ ／ ａｂｓ ／ １８０４． ０２７６７．

［１０］ ＢＯＣＨＫＯＶＳＫＩＹ Ａ，ＷＡＮＧ Ｃ Ｙ，ＬＩＡＯ Ｈ Ｙ Ｍ． ＹＯＬＯｖ４：Ｏｐｔｉｍａｌ Ｓｐｅｅｄ ａｎｄ Ａｃｃｕｒａｃｙ ｏｆ Ｏｂｊｅｃｔ Ｄｅｔｅｃｔｉｏｎ ［ＥＢ ／ＯＬ］． （２０２０ － ０４ － ２３）［２０２３ － １１ － ０９］． ｈｔｔｐｓ：∥ ａｒｘｉｖ．ｏｒｇ ／ ａｂｓ ／ ２００４． １０９３４．

［１１］ ＺＨＵ Ｘ Ｋ，ＬＹＵ Ｓ Ｃ，ＷＡＮＧ Ｘ，ｅｔ ａｌ． ＴＰＨＹＯＬＯｖ５：Ｉｍｐｒｏｖｅｄ ＹＯＬＯｖ５ Ｂａｓｅｄ ｏｎ Ｔｒａｎｓｆｏｒｍｅｒ Ｐｒｅｄｉｃｔｉｏｎ Ｈｅａｄｆｏｒ Ｏｂｊｅｃｔ Ｄｅｔｅｃｔｉｏｎ ｏｎ Ｄｒｏｎｅｃａｐｔｕｒｅｄ Ｓｃｅｎａｒｉｏｓ［Ｃ］∥２０２１ ＩＥＥＥ ／ ＣＶＦ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ ＣｏｍｐｕｔｅｒＶｉｓｉｏｎ Ｗｏｒｋｓｈｏｐｓ （ＩＣＣＶＷ ）． Ｍｏｎｔｒｅａｌ：ＩＥＥＥ，２０２１：２７７８－２７８８．

［１２］ ＴＥＲＶＥＮ Ｊ，ＣＯＲＤＯＶＡＥＳＰＡＲＺＡ Ｄ． Ａ ＣｏｍｐｒｅｈｅｎｓｉｖｅＲｅｖｉｅｗ ｏｆ ＹＯＬＯ：Ｆｒｏｍ ＹＯＬＯｖ１ ｔｏ ＹＯＬＯｖ８ ａｎｄ Ｂｅｙｏｎｄ［ＥＢ ／ ＯＬ］． （２０２３ － ０４ － ０２）［２０２３ － １１ － ０９］． ｈｔｔｐｓ：∥ａｒｘｉｖ． ｏｒｇ ／ ａｂｓ ／ ２３０４． ００５０１．

［１３］ ＬＩＵ Ｗ，ＡＮＧＵＥＬＯＶ Ｄ，ＥＲＨＡＮ Ｄ，ｅｔ ａｌ． ＳＳＤ：ＳｉｎｇｌｅＳｈｏｔ Ｍｕｌｔｉｂｏｘ Ｄｅｔｅｃｔｏｒ［Ｃ］∥Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＥｕｒｏｐｅａｎＣｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ． Ａｍｓｔｅｒｄａｍ：Ｓｐｒｉｎｇｅｒ，２０１６：２１－３７．

［１４］ 吴明杰，云利军，陈载清，等． 改进ＹＯＬＯｖ５ｓ 的无人机视角下小目标检测算法［Ｊ］． 计算机工程与应用，２０２４，６０（２）：１－１２．

［１５］ 贾晓芬，江再亮，赵佰亭． 裂缝小目标缺陷的轻量化检测方法［Ｊ／ ＯＬ］． 湖南大学学报（自然科学版）：１ －１１．ｈｔｔｐ：∥ｋｎｓ． ｃｎｋｉ． ｎｅｔ ／ ｋｃｍｓ／ ｄｅｔａｉｌ ／ ４３． １０６１． Ｎ． ２０２３１００８．１９５３． ００２． ｈｔｍｌ．

［１６］ 余俊宇，刘孙俊，许桃． 融合注意力机制的ＹＯＬＯｖ７ 遥感小目标检测算法研究［Ｊ］． 计算机工程与应用，２０２３，５９（２０）：１６７－１７５．

［１７］ 张徐，朱正为，郭玉英，等． 基于ｃｏｓＳＴＲＹＯＬＯｖ７ 的多尺度遥感小目标检测［Ｊ／ ＯＬ］． 电光与控制：１ －９． ｈｔｔｐ：∥ｋｎｓ． ｃｎｋｉ． ｎｅｔ ／ ｋｃｍｓ／ ｄｅｔａｉｌ ／ ４１． １２２７． ｔｎ． ２０２３０６１５． １０１７．００２． ｈｔｍｌ．

［１８］ 李子豪，王正平，贺云涛． 基于自适应协同注意力机制的航拍密集小目标检测算法［Ｊ］． 航空学报，２０２３，４４（１３）：２４４－２５４．

［１９］ ＣＨＥＮ Ｊ Ｒ，ＫＡＯ Ｓ Ｈ，ＨＥ Ｈ，ｅｔ ａｌ． Ｒｕｎ，Ｄｏｎ’ｔ Ｗａｌｋ：Ｃｈａｓｉｎｇ Ｈｉｇｈｅｒ ＦＬＯＰＳ ｆｏｒ Ｆａｓｔｅｒ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ［Ｃ］∥Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥＥＥ ／ ＣＶＦ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ ＣｏｍｐｕｔｅｒＶｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ． Ｖａｎｃｏｕｖｅｒ：ＩＥＥＥ，２０２３：１２０２１－１２０３１．

［２０］ ＯＵＹＡＮＧ Ｄ Ｌ，ＨＥ Ｓ，ＺＨＡＮＧ Ｇ Ｚ，ｅｔ ａｌ． Ｅｆｆｉｃｉｅｎｔ Ｍｕｌｔｉｓｃａｌｅ Ａｔｔｅｎｔｉｏｎ Ｍｏｄｕｌｅ ｗｉｔｈ Ｃｒｏｓｓｓｐａｔｉａｌ Ｌｅａｒｎｉｎｇ［Ｃ］∥Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎＡｃｏｕｓｔｉｃｓ，Ｓｐｅｅｃｈ ａｎｄ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇ． Ｒｈｏｄｅｓ Ｉｓｌａｎｄ：ＩＥＥＥ，２０２３：１－５．

［２１］ ＹＡＮＧ Ｌ Ｘ，ＺＨＡＮＧ Ｒ Ｙ，ＬＩ Ｌ Ｄ，ｅｔ ａｌ． ＳｉｍＡＭ：ＡＳｉｍｐｌｅ，Ｐａｒａｍｅｔｅｒｆｒｅｅ Ａｔｔｅｎｔｉｏｎ Ｍｏｄｕｌｅ ｆｏｒ ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌ Ｎｅｔｗｏｒｋｓ ［Ｃ］∥ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅ ｏｎ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ． ［Ｓ． ｌ． ］：ＰＭＬＲ：２０２１：１１８６３－１１８７４．

［２２］ ＬＩ Ｈ Ｌ，ＬＩ Ｊ，ＷＥＩ Ｈ Ｂ，ｅｔ ａｌ． Ｓｌｉｍｎｅｃｋ ｂｙ ＧＳＣｏｎｖ：ＡＢｅｔｔｅｒ Ｄｅｓｉｇｎ Ｐａｒａｄｉｇｍ ｏｆ Ｄｅｔｅｃｔｏｒ Ａｒｃｈｉｔｅｃｔｕｒｅｓ ｆｏｒ Ａｕｔｏｎｏｍｏｕｓ Ｖｅｈｉｃｌｅｓ ［ＥＢ ／ ＯＬ］． （２０２２ － ０６ － ０６ ）［２０２３ －１１－０９］． ｈｔｔｐｓ：∥ｄｏｉ． ｏｒｇ ／ １０． ４８５５０ ／ ａｒＸｉｖ． ２２０６． ０２４２４．

［２３］ ＬＥＥ Ｙ Ｗ，ＰＡＲＫ Ｊ Ｙ． Ｃｅｎｔｅｒｍａｓｋ：Ｒｅａｌｔｉｍｅ ＡｎｃｈｏｒＦｒｅｅ Ｉｎｓｔａｎｃｅ Ｓｅｇｍｅｎｔａｔｉｏｎ ［Ｃ ］∥ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅＩＥＥＥ ／ ＣＶＦ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ ＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ． Ｓｅａｔｔｌｅ：ＩＥＥＥ，２０２０：１３９０３－１３９１２．

［２４］ ＧＥ Ｚ，ＬＩＵ Ｓ Ｔ，ＷＡＮＧ Ｆ，ｅｔ ａｌ． ＹＯＬＯＸ：Ｅｘｃｅｅｄｉｎｇ ＹＯＬＯＳｅｒｉｅｓ ｉｎ ２０２１［ＥＢ ／ ＯＬ］． （２０２１－０７－１８）［２０２３－１１－０９］．ｈｔｔｐｓ：∥ａｒｘｉｖ． ｏｒｇ ／ ａｂｓ／ ２１０７． ０８４３０．

［２５］ ＷＡＮＧ Ｊ Ｑ，ＣＨＥＮ Ｋ，ＸＵ Ｒ，ｅｔ ａｌ． ＣＡＲＡＦＥ：Ｃｏｎｔｅｎｔａｗａｒｅ Ｒｅａｓｓｅｍｂｌｙ ｏｆ Ｆｅａｔｕｒｅｓ ［Ｃ］∥ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅＩＥＥＥ ／ ＣＶＦ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ．Ｓｅｏｕｌ：ＩＥＥＥ，２０１９：３００７－３０１６．

［２６］ ＬＩＵ Ｙ Ｃ，ＳＨＡＯ Ｚ Ｒ，ＨＯＦＦＭＡＮＮ Ｎ． Ｇｌｏｂａｌ ＡｔｔｅｎｔｉｏｎＭｅｃｈａｎｉｓｍ：Ｒｅｔａｉｎ Ｉｎｆｏｒｍａｔｉｏｎ ｔｏ Ｅｎｈａｎｃｅ ＣｈａｎｎｅｌＳｐａｔｉａｌ Ｉｎｔｅｒａｃｔｉｏｎｓ［ＥＢ ／ ＯＬ］． （２０２１ － １２ － １０）［２０２３ －１１－０９］． ｈｔｔｐｓ：∥ａｒｘｉｖ． ｏｒｇ ／ ａｂｓ ／ ２１１２． ０５５６１．

［２７］ ＴＯＮＧ Ｚ Ｊ，ＣＨＥＮ Ｙ Ｈ，ＸＵ Ｚ Ｗ，ｅｔ ａｌ． ＷｉｓｅＩｏＵ：Ｂｏｕｎｄｉｎｇ Ｂｏｘ Ｒｅｇｒｅｓｓｉｏｎ Ｌｏｓｓ ｗｉｔｈ Ｄｙｎａｍｉｃ ＦｏｃｕｓｉｎｇＭｅｃｈａｎｉｓｍ［ＥＢ ／ ＯＬ］． （２０２３ －０１ －２４）［２０２３ －１１ －０９］．ｈｔｔｐｓ：∥ａｒｘｉｖ． ｏｒｇ ／ ａｂｓ ／ ２３０１． １００５１．

［２８］ ＺＨＥＮＧ Ｚ Ｈ，ＷＡＮＧ Ｐ，ＬＩＵ Ｗ，ｅｔ ａｌ． ＤｉｓｔａｎｃｅＩｏＵ Ｌｏｓｓ：Ｆａｓｔｅｒ ａｎｄ Ｂｅｔｔｅｒ Ｌｅａｒｎｉｎｇ ｆｏｒ Ｂｏｕｎｄｉｎｇ Ｂｏｘ Ｒｅｇｒｅｓｓｉｏｎ［Ｃ］∥Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＡＡＡＩ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｒｔｉｆｉｃｉａｌ ＩｎＴｅｌｌｉｇｅｎｃｅ． Ｎｅｗ Ｙｏｒｋ：ＡＡＡＩ Ｐｒｅｓｓ，２０２０：１２９９３－１３０００．

［２９］ 刘展威，陈慈发，董方敏． 基于ＹＯＬＯｖ５ｓ 的航拍小目标检测改进算法研究［Ｊ］． 无线电工程，２０２３，５３ （１０）：２２８６－２２９４．

［３０］ ＹＵ Ｗ Ｐ，ＹＡＮＧ Ｔ Ｊ Ｎ，ＣＨＥＮ Ｃ． Ｔｏｗａｒｄｓ Ｒｅｓｏｌｖｉｎｇ ｔｈｅＣｈａｌｌｅｎｇｅ ｏｆ Ｌｏｎｇｔａｉｌ Ｄｉｓｔｒｉｂｕｔｉｏｎ ｉｎ ＵＡＶ Ｉｍａｇｅｓ ｆｏｒ Ｏｂｊｅｃｔ Ｄｅｔｅｃｔｉｏｎ ［Ｃ ］∥ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥＥＥ ／ ＣＶＦＷｉｎｔｅｒ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｐｐｌｉｃａｔｉｏｎｓ ｏｆ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ．Ｗａｉｋｏｌｏａ：ＩＥＥＥ，２０２１：３２５７－３２６６．

［３１］ ＺＨＯＵ Ｘ Ｙ，ＷＡＮＧ Ｄ Ｑ，ＫＲ？ＨＥＮＢＨＬ Ｐ． Ｏｂｊｅｃｔｓ ａｓＰｏｉｎｔｓ［ＥＢ ／ ＯＬ］． （２０１９－０４－１６）［２０２３－１１－０９］． ｈｔｔｐｓ：∥ａｒｘｉｖ． ｏｒｇ ／ ａｂｓ／ １９０４． ０７８５０．

［３２］ ＤＵ Ｄ Ｗ，ＺＨＵ Ｐ Ｆ，ＷＥＮ Ｌ Ｙ，ｅｔ ａｌ． ＶｉｓＤｒｏｎｅＤＥＴ２０１９：Ｔｈｅ Ｖｉｓｉｏｎ Ｍｅｅｔｓ Ｄｒｏｎｅ Ｏｂｊｅｃｔ Ｄｅｔｅｃｔｉｏｎ ｉｎ Ｉｍａｇｅ Ｃｈａｌｌｅｎｇｅ Ｒｅｓｕｌｔｓ［Ｃ］∥Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ＩＥＥＥ ／ ＣＶＦ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ Ｗｏｒｋｓｈｏｐｓ．Ｓｅｏｕｌ：ＩＥＥＥ，２０１９：２１３－２２６．

［３３］ ＷＡＮＧ Ｃ Ｙ，ＹＥＨ Ｉ Ｈ，ＬＩＡＯ Ｈ Ｙ Ｍ． Ｙｏｕ Ｏｎｌｙ ＬｅａｒｎＯｎｅ Ｒｅｐｒｅｓｅｎｔａｔｉｏｎ：Ｕｎｉｆｉｅｄ Ｎｅｔｗｏｒｋ ｆｏｒ Ｍｕｌｔｉｐｌｅ Ｔａｓｋｓ［ＥＢ ／ ＯＬ］． （２０２１ － ０５ － １０）［２０２３ － １１ － ０９］． ｈｔｔｐｓ：∥ａｒｘｉｖ． ｏｒｇ ／ ａｂｓ ／ ２１０５． ０４２０６．

［３４］ 刘涛，高一萌，柴蕊等． 改进ＹＯＬＯｖ５ｓ 的无人机视角下小目标检测算法［Ｊ］． 计算机工程与应用，２０２４，６０（１）：１１０－１２１．

［３５］ 李校林，刘大东，刘鑫满，等． 改进ＹＯＬＯｖ５ 的无人机航拍图像目标检测算法［Ｊ ／ ＯＬ］． 计算机工程与应用：１ －１３． ｈｔｔｐ：∥ ｋｎｓ． ｃｎｋｉ． ｎｅｔ ／ ｋｃｍｓ ／ ｄｅｔａｉｌ ／ １１． ２１２７． ＴＰ．２０２３１０１３． ０９４２． ００２． ｈｔｍｌ．

作者简介

雷帮军 男，（１９７３—），博士，教授，博士生导师，欧盟２０２０ 计划特聘顾问，欧盟高级人才计划会审专家，ＩＥＥＥ 高级会员，湖北省楚天学者特聘教授，湖北省百人计划人才。主要研究方向：计算机视觉、图像处理、人工智能、模式识别。

余 翱 男，（１９９９—），硕士研究生。主要研究方向：计算机视觉、目标检测。

余 快 女，（１９９９—），硕士研究生。主要研究方向：深度学习、遥感影像建筑物提取。

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