编辑推荐：
在计算机视觉领域，小目标检测面临诸多难题，如信息不足、场景复杂等。研究人员基于 RT-DETR-r18 开展 MI-DETR 模型研究。实验表明，该模型参数更少、检测精度更高、延迟更低，对提升小目标检测能力意义重大。
在计算机视觉的广阔天地里，小目标检测就像一场艰难的冒险。想象一下，在复杂的城市街道场景中，要精准识别远处微小的交通标识；或者在卫星遥感图像里，找出那些面积不大的特定建筑，这可不是一件容易的事。小目标尺寸小，携带的特征信息少，很容易被复杂的背景干扰，还可能被其他物体遮挡。现有的深度学习目标检测模型，像两阶段模型虽然检测精度高，但速度慢，不适合实时应用；单阶段模型速度快，可在小目标检测上又表现欠佳；基于 Transformer 的检测器能处理全局特征，却面临计算复杂、训练时间长的问题。即使是结合了 CNNs 与 Transformer 的 RT-DETR，在检测小目标时也存在不足，因为小目标在其较大的下采样过程中容易丢失关键信息。为了攻克这些难题，让小目标检测变得更加高效精准，重庆理工大学等机构的研究人员展开了深入研究，他们的成果发表在《Displays》上，为该领域带来了新的希望。
研究人员提出了一种面向混合场景的小目标检测模型（MI-DETR）。在这项研究中，研究人员用到了几个关键技术方法。首先，对骨干网络进行创新，运用快速傅里叶变换（FFT）、分组卷积、通道洗牌（Channel Shuffle）和正交通道注意力机制，提升早期网络对全局特征的提取能力，同时减少参数数量和计算量。其次，引入小目标特征层和多尺度特征融合（MSFF）模块，强化特征融合。最后，提出 Focaler-WIoU 损失函数，提高小目标检测的精度。研究人员使用 SEU-PML、VisDrone2019 和 AI-TOD 数据集进行实验，在 RTX 4070 Ti GPU 上，利用 AdamW 优化器和余弦学习率调度器，将图像调整为 640×640 像素，训练 100 个 epoch。
研究结果
- 骨干网络创新提升性能：通过 FFT、分组卷积和通道洗牌等技术改进骨干网络，减少了模型参数数量和计算量，增强了对小目标特征的提取能力。这使得模型在早期就能更好地捕捉全局特征，为后续精准检测小目标奠定了基础。
- MSFF 模块增强特征融合：运用 MSFF 方法，在特征融合阶段减少了小目标信息的丢失，有效提升了检测性能。该模块让模型能够更充分地整合不同尺度的特征，使小目标的特征更加突出，从而提高检测的准确性。
- Focaler-WIoU 损失函数提高检测精度：采用 Focaler-WIoU 损失函数，优先关注高质量的锚框，进一步增强了小目标检测的精度。这一损失函数的设计，使得模型在训练过程中更聚焦于小目标，减少了漏检和误检的情况。
- 综合性能优势显著：在三个复杂场景的小目标检测数据集上进行实验，MI-DETR 模型相较于之前的模型，参数减少了 40%，计算量降低了 5%。在这三个数据集上，模型的准确率分别达到 70.2%、34.5% 和 34.1%，小目标检测准确率分别为 19.8%、11.5% 和 12.6%，延迟也分别降低了 0.9ms、1.0ms 和 1.1ms，性能优于其他类似规模的实时检测模型。
研究结论与讨论
MI-DETR 模型成功解决了混合场景中小目标检测面临的诸多难题。它在提升检测精度的同时，降低了模型的复杂度，减少了计算量和延迟，这对于需要实时处理的应用场景，如自动驾驶、实时监控等，具有重要意义。该模型不仅在理论上取得了突破，在实际应用中也展现出了巨大的潜力。它为后续小目标检测的研究提供了新的思路和方法，推动了计算机视觉领域在小目标检测方向的发展。未来，研究人员可以在此基础上进一步优化模型，探索更多提升小目标检测性能的方法，使其在更广泛的领域发挥更大的作用。
