小目标物体检测新突破！无需任何超参数，性能远超SOTA！

小目标物体检测新突破！模型SimD，不需要设置任何超参数，便实现了精度、速度远超SOTA的效果。且其不仅能考虑小物体的位置和形状，还能自动适应不同的数据集。

实际上小目标物体检测，一直是CV领域非常热门且重要的方向，在医学、遥感、工业检测、自动驾驶等领域有有着广泛应用。但囿于小物体特征信息有限、易受噪声干扰等问题，传统的检测方法应用时，准确度会急剧下降，因而对其的研究成为迫切需求。同时这也为我们的论文创新提供了机会！

目前的研究，主要围绕提高图像分辨率、优化检测器、数据增强与扩充、改进损失函数等进行。为方便大家紧跟领域前沿，找到灵感启发，我给大家准备了9种创新思路和代码，一起来看！

论文原文+开源代码需要的同学看文末

论文：YOLC: You Only Look Clusters  for Tiny Object Detection in Aerial Images

内容

该论文介绍了一种名为YOLC（You Only Look Clusters）的新型高效目标检测框架，专门针对航拍图像中的微小目标检测问题。该框架基于无锚点的目标检测器CenterNet，并引入了局部尺度模块（LSM）来适应性地搜索聚集区域，以便进行准确检测，通过高斯Wasserstein距离（GWD）改进了回归损失函数，并在检测头部使用了可变形卷积和细化方法来增强小目标的检测能力。

论文：HIC-YOLOv5:  Improved YOLOv5 for small object detection

内容

该论文提出了一个改进的YOLOv5模型，名为HIC-YOLOv5，旨在提高对小目标检测的性能。通过添加专门针对小目标的额外预测头、引入involution块来增强特征图的通道信息，以及应用CBAM注意力机制来突出通道和空间领域中的重要信息。

论文：LAYN: Lightweight  Multi-Scale Attention YOLOv8 Network for Small Object Detection

内容

该论文介绍了一种名为LAYN（Lightweight Multi-Scale Attention YOLOv8 Network）的轻量级多尺度注意力YOLOv8网络，用于提高小目标检测的性能。研究者们通过引入GhostNet作为骨干网络，并设计了一个新的多尺度注意力模块，包括多尺度融合注意力机制和Soft-NMS算法，以增强网络对小目标关键信息的获取能力

论文：Efficient Small-Object Detection in Underwater Images Using the Enhanced YOLOv8 Network

内容

该论文介绍了一种改进的YOLOv8网络，称为高效小目标检测网络（HIC-YOLOv8），专门针对水下图像中的小目标检测。研究者们通过替换YOLOv8的Darknet-53主干网络为FasterNet-T0，减少了模型参数和计算量，同时增加了一个小目标预测头，提高了小目标检测的准确性，引入了可变形卷积网络（Deformable ConvNets v2）和坐标注意力（Coordinate Attention）机制，进一步提升了模型在检测不规则形状和密集遮挡小目标方面的性能。

论文：A novel deep learning-based single shot multibox detector model for object detection in optical remote sensing images

内容

该论文提出了一种改进的基于深度学习的单次多框检测器（SSD）模型，用于在光学遥感图像中进行目标检测，通过引入改进的Inception网络来增强浅层网络中的小目标特征提取能力，修改特征金字塔网络（FPN）以增强特征融合效果，并设计了一个深度特征增强（DFE）模块来改善深层网络的特征提取能力。

 关注下方《人工智能学起来》

回复“物体检测”获取全部论文+开源代码

码字不易，欢迎大家点赞评论收藏