《基于特征融合的小目标检测方法及其在医学影像领域的应用研究》论文解析

论文是《该问题所指向的论文是《基于特征融合的小目标检测方法及其在医学影像领域的应用研究》（作者：马菘哲，长春工业大学2024年硕士学位论文）。以下是对该论文创新点的详细阐述，以及可改进方向的扩充内容：

一、论文核心创新点

论文围绕通用场景轻量级小目标检测和医学影像微小肿瘤检测两大方向展开，核心创新点如下：

1. 通用场景：轻量级多尺度注意力YOLOv8（LAYN）算法

• 骨干网络轻量化：将YOLOv8原有的CSPdarknet53骨干网络替换为GhostNet，在不损失精度的前提下，通过“幽灵模块”（Ghost Module）和深度可分离卷积大幅降低模型参数量和计算量，实现嵌入式设备部署。
• 多尺度注意力模块（LMA）：
  • 整合多尺度混合注意力机制，通过混合残差空洞卷积（HRAC）捕获不同感受野的空间信息，增强对小目标关键特征的提取能力。
  • 引入Soft-NMS算法，替代传统NMS，通过对高重叠检测框的置信度进行线性衰减而非直接删除，减少密集场景下的假阳性和漏检问题。
• 实验验证：在PASCAL VOC和COCO车辆数据集上，相较于YOLOv8，mAP提升5.41%~6.96%，参数量减少48.66%，FLOPs降低49.6%，兼顾精度与轻量化。

2. 医学影像场景：肺癌检测的精细化方法

• 通道等分模块（CED）：
  • 将输入特征图按通道平均分割为多个子特征图，通过并行卷积提取各通道的局部上下文信息，解决微小肺癌病灶因尺寸小、特征模糊导致的空间信息不足问题。
  • 利用多尺度感受野设计（3×3卷积核组合模拟5×5感受野），在减少计算量的同时增强