本文內(nèi)容基本摘抄自公眾號(hào)文章: 小目標(biāo)檢測(cè)問(wèn)題分析和優(yōu)化思路

小目標(biāo)檢測(cè)面臨的挑戰(zhàn):

• 可用特征少
• 定位精度要求高
• 數(shù)據(jù)集中的小目標(biāo)數(shù)量占比少
• 小目標(biāo)標(biāo)注面積占比小
• 樣本不均勻問(wèn)題
• 小目標(biāo)聚集問(wèn)題
• 網(wǎng)絡(luò)結(jié)構(gòu)問(wèn)題

優(yōu)化思路1: 數(shù)據(jù)增強(qiáng)

數(shù)據(jù)增強(qiáng)是一個(gè)提升檢測(cè)性能簡(jiǎn)單有效方法, 我們可以使用數(shù)據(jù)增強(qiáng)方法擴(kuò)充數(shù)據(jù)集規(guī)模、豐富數(shù)據(jù)集的多樣性，人為提升小目標(biāo)在整個(gè)數(shù)據(jù)集中的占比，使得網(wǎng)絡(luò)能充分學(xué)習(xí)到小目標(biāo)的特征。
數(shù)據(jù)增強(qiáng)的方式：

• 復(fù)制粘貼增強(qiáng)(copy paste)， 隨機(jī)將小目標(biāo)在圖像上多復(fù)制幾個(gè)(純摳圖)， 或者將復(fù)制一塊包含多個(gè)小目標(biāo)的區(qū)域(帶有背景context的摳圖)，粘貼時(shí)可以隨機(jī)做一些變換（縮放、翻折、旋轉(zhuǎn)等）
• 過(guò)采樣增強(qiáng)(Over sampling)，同一個(gè)圖像文件多復(fù)制幾份。
• 縮放和拼接(stitching), 將多個(gè)圖像文件拼接成一個(gè)圖像文件, yolov8 的 Mosaic 技術(shù)就是將4張圖像進(jìn)行翻轉(zhuǎn)\縮放拼成1張圖像送到網(wǎng)絡(luò)中.

增加小目標(biāo)檢測(cè)層

• 使用YoloV8 P2模型
• 這篇文章增加小目標(biāo)檢測(cè)層, https://blog.csdn.net/m0_70388905/article/details/125392908 , 貌似只有兩行參數(shù)和YoloV8 P2模型不一致.

使用SAHI技術(shù)

https://learnopencv.com/slicing-aided-hyper-inference/

引入注意力機(jī)制

解決問(wèn)題: 目標(biāo)和背景相似, 目標(biāo)難以識(shí)別.
萬(wàn)字長(zhǎng)文解析cv中的注意力機(jī)制 https://mp.weixin.qq.com/s/kt3iIuOD3lsZBTIbOSGN0g
https://blog.csdn.net/m0_70388905/article/details/128103103
https://zhuanlan.zhihu.com/p/650309601
https://blog.csdn.net/qq_43471945/category_12467149.html
https://blog.csdn.net/qq_43471945/article/details/132685642

改進(jìn)特征融合方式

解決問(wèn)題: 目標(biāo)尺寸變化多樣問(wèn)題.
https://blog.csdn.net/m0_70388905/article/details/128103103
YOLOv8改進(jìn)-bifpn https://blog.csdn.net/weixin_45303602/article/details/132135514
YOLOv8主干網(wǎng)絡(luò)改進(jìn) 添加加權(quán)雙向金字塔結(jié)構(gòu)的特征加強(qiáng)模塊BiFPN https://zhuanlan.zhihu.com/p/674887344

購(gòu)買高手的咨詢

AI小怪獸 https://zhuanlan.zhihu.com/p/650309601
魔鬼面具 https://blog.csdn.net/qq_37706472
imagegeek https://blog.csdn.net/xss20072754?type=blog