Aprimorando a detecção de pequenos objetos em imagens de UAV com DSD-YOLO

A detecção de pequenos objetos é uma tarefa crítica em visão computacional, com extensas aplicações na detecção de alvos baseada em UAV e na análise de imagens aéreas. No entanto, os algoritmos atuais de detecção de pequenos objetos frequentemente apresentam deficiências na precisão da detecção, levando a detecções frequentemente perdidas e falsos positivos. Para abordar esses desafios, propomos um método para um modelo de detecção aprimorado baseado no YOLOv8s, denominado DSD-YOLO. Nossas contribuições são as seguintes: (a) Substituição do módulo original de fusão de características por um módulo de Atenção de Ramificação Convolucional (C2fDA), que melhora efetivamente a capacidade do modelo de capturar e utilizar informações de pequenos objetos. (b) Introdução de uma Camada de Detecção de Pequenos Objetos (SDₗayer) para facilitar a fusão de características em múltiplas escalas, melhorando assim o desempenho da detecção para pequenos objetos. (c) Incorporação da cabeça de detecção Dyhead para capturar flexivelmente informações de características eficazes para pequenos objetos. Resultados experimentais no conjunto de dados público VisDrone2019 demonstram que nosso método aumenta a precisão e a recuperação em 6,9% e 8,5%, respectivamente, com mAP50 e mAP50:95 aumentando em 9,1% e 6,3%, e a velocidade de detecção (FPS) aumentando em 12,6. O modelo aprimorado demonstra desempenho superior na detecção de pequenos objetos em imagens de UAV.