通过DSD-YOLO增强无人机图像中的小物体检测

小物体检测是计算机视觉中的一项关键任务，在基于无人机的目标检测和航空图像分析中有广泛应用。然而，当前的小物体检测算法往往在检测精度上存在不足，导致经常漏检和误报。为了解决这些挑战，我们提出了一种基于YOLOv8s的改进检测模型方法，即DSD-YOLO。我们的贡献如下：(a) 用卷积分支注意力模块（C2fDA）替换原来的特征融合模块，有效增强模型捕捉和利用小物体信息的能力。(b) 引入小物体检测层（SDₗayer）以促进多尺度特征融合，从而提高小物体的检测性能。(c) 融入Dyhead检测头以灵活捕捉小物体的有效特征信息。在公共VisDrone2019数据集上的实验结果表明，我们的方法分别提高了6.9%和8.5%的精度和召回率，mAP50和mAP50:95分别增加了9.1%和6.3%，检测速度（FPS）提高了12.6。增强后的模型在无人机图像中检测小物体的性能表现优越。