编辑推荐：
在小目标检测中，模型面临图像特征不足和计算资源有限的问题。研究人员提出 RC-SODet，采用 RepDuConv 和 RC-FPN 等。实验在 VisDrone、DroneVehicle 上，mAP50 最高达 48.1%、82.4%，提升了检测性能与效率。
在计算机视觉的目标检测领域，小目标检测如同在密密麻麻的星空中寻找微弱的星辰，面临着诸多挑战。小目标在图像中像素占比低，容易在网络下采样过程中丢失信息，特征表达不足，且常被背景干扰掩盖，导致检测精度不佳。同时，小目标检测系统多部署在监控摄像头、无人机、遥感卫星等资源受限的平台上，计算效率成为实际应用的一大瓶颈。如何在有限的计算资源下，提升小目标的检测精度，成为亟待解决的难题。
为了攻克这些难题，国内研究人员开展了相关研究，提出了 RC-SODet 小目标检测模型，该研究成果发表在《Image and Vision Computing》。
研究人员主要采用了以下关键技术方法：设计 Reparameterized Dual Convolutions（RepDuConv，重参数化双卷积）取代传统卷积和下采样模块，其双分支结构结合逐点卷积和分组卷积，利用分组卷积减少参数，双分支在训练时增强特征捕捉能力；构建 RC-FPN（Reparameterized Compact Feature-enhanced Pyramid Network，重参数化紧凑特征增强金字塔网络）作为颈部网络，使用 C2fRCB（Cross Stage Partial with Feature Fusion Reparameterized Compact Blocks）进行特征增强，C2fRCB 包含由轻量级 RepConv 和逐点卷积构成的 RCB（Reparameterized Compact Blocks，重参数化紧凑块）；在推理阶段，通过重参数化技术将 RepDuConv 双分支结构转换为单分支，C2fRCB 利用 RepConv 降低计算开销，实现训练与推理的解耦。
实验结果
- 模型性能验证：在小目标数据集 VisDrone 和 DroneVehicle 上，RC-SODet 最高版本分别取得 48.1% 和 82.4% 的 mAP5050，以及 30.1% 和 59.1% 的 mAP50-95，相比最新 YOLOv11 模型，在 VisDrone 数据集上 mAP50提升 1.8%-4.0%，mAP50-95提升 1.6%-2.7%，展现出更高的检测精度。
- 推理效率提升：重参数化技术使模型推理速度提升 58.1%，其中 RepDuConv 的 FPS 提升 335.8%，RCB 的 FPS 提升 108.4%，在保证精度的同时显著提高了计算效率。
研究结论与意义
RC-SODet 通过 RepDuConv 和 RC-FPN 的创新设计，有效解决了小目标检测中特征不足和计算效率的问题。RepDuConv 在减少参数的同时通过双分支结构保留训练精度，重参数化技术在推理时大幅提升速度；RC-FPN 利用 C2fRCB 对多尺度特征进行增强，减少信息损失。该研究为小目标检测提供了新的思路和方法，在无人机巡检、遥感监测等实际应用场景中具有重要的实用价值，有望推动小目标检测技术在更多领域的应用与发展。
