《Sensors》：Hierarchical Discriminative Feature Refinement for Robust and Lightweight Clothing Detection
编辑推荐：
准确且高效的服装检测仍具有挑战性，因为视觉上相似的服装类别可能共享外观线索，而背景干扰、尺度变化和空间重叠会削弱类别判别性特征。为解决上述问题，本研究基于YOLO26n提出了一种带有层级判别特征精炼的轻量化服装检测器。该框架在通道、语义和多尺度空间层面逐步增强
准确且高效的服装检测仍具有挑战性，因为视觉上相似的服装类别可能共享外观线索，而背景干扰、尺度变化和空间重叠会削弱类别判别性特征。为解决上述问题，本研究基于YOLO26n提出了一种带有层级判别特征精炼的轻量化服装检测器。该框架在通道、语义和多尺度空间层面逐步增强服装表示。具体而言，基于C3k2的通道特征增强模块（C3k2_CFEM）强化跨通道交互，并自适应地平衡局部细节与上下文信息；基于C2的门控语义注意力模块（C2GSA）选择性保留与任务相关的高层响应，同时抑制冗余的上下文干扰；多尺度双流注意力模块（MSDSAM）将互补的前景-背景注意力与高效的多尺度特征交互相结合。评估采用了包含11,970张图像和21,504个标注服装实例、覆盖七个类别的多源服装数据集。所提模型取得了91.6%的精确率（Precision）、86.2%的召回率（Recall）、92.6%的mAP50和74.7%的mAP50:95，较YOLO26n基线在mAP50和mAP50:95上分别提升了6.6和5.8个百分点。上述结果是在参数量为2.39 M、浮点运算量为5.4 GFLOPs、NVIDIA RTX 4090上以640×640输入分辨率和批大小1进行推断、速度为166帧/秒（FPS）的条件下取得的。额外评估报告了该模型在服装类别、目标尺度、重叠水平、图像扰动、硬件平台和外部服装数据集上的表现。在所报告的协议下，该框架以有限的参数量和计算成本增加提升了检测精度。
以下是对论文主体部分的解读：
**一、研究背景与现有问题**
服装检测为视觉搜索、推荐、自动标注和零售分析提供服装定位与类别信息。然而，服装检测面临三类表示难题：其一，视觉相似的服装类别可能仅在高领口、袖口、下摆等局部结构上存在差异，重复卷积与下采样会削弱这些细微类别线索，对小目标尤为不利；其二，身体区域、配饰、相邻衣物、货架和阴影等上下文产生与服装相关但对类别判别无益的高层激活，构成语义干扰；其三，尺度变化加剧前景-背景模糊性。这些问题分别出现在特征提取与融合的不同阶段，而现有方法多仅侧重单一环节。为此，研究人员提出在YOLO26n轻量级基线上构建层级判别特征精炼框架，以在单一轻量层级中同时保持细微类别线索、过滤无关高层语义并精炼尺度敏感的空间表示。
**二、关键技术与方法**
研究人员构建了包含11,970张图像、21,504个标注实例、覆盖7个类别的多源服装数据集，其中48.3%来自Clothes Category Dataset，20.7%来自Fashion Dataset，31.0%来自Street Fashion Style (SFS)数据集子集，并统一了类别映射。模型核心为三个模块：C3k2_CFEM通过渐进通道分组交互与自适应动态融合（ADF）强化通道表示；C2GSA在C2PSA自注意力路径上引入输入条件门控以筛选高层语义；MSDSAM利用语义引导的前景-背景双流注意力与多尺度深度卷积精炼高分辨率P3特征。三者构成通道-语义-空间渐进精炼路径。
**三、研究结果**
**3.1 消融与组件分析：** 组合消融表明三模块互补：C3k2_CFEM单模块对精确率与mAP50提升最大，MSDSAM单模块召回率增益最大，C2GSA单模块mAP50:95最高；完整模型M123达到91.6%精确率、86.2%召回率、92.6% mAP50和74.7% mAP50:95，较YOLO26n分别提升6.6和5.8个百分点；内部2
3因子消融证实ADF、语义门控与双流机制均独立贡献增益。
**3.2 跨架构迁移性：** 将三模块迁移至YOLOv10n、YOLOv12n和YOLOv13n，mAP50分别提升3.9、3.6和4.3个百分点，参数量增幅均在0.04 M以内，表明模块不依赖特定架构。
**3.3 与代表性目标检测器比较：** 在统一数据集划分、类别体系、640×640输入分辨率和评估协议下，所提模型mAP50和mAP50:95超过YOLO26n及若干轻量级通用检测器；FashionFormer为最强服装专用精度参考。
**3.4 逐类别检测性能：** 模型在全部7个类别上均提升AP50与AP50:95，其中knitwear_sweatshirt、skirt和top增益最大（AP50分别提升10.5、8.9和7.7个百分点）。
**3.5 尺度条件检测分析：** 按相对边界框面积将实例分为四组，模型在全部尺度组取得最高mAP50（89.0%–94.9%），Scale Gap为5.9个百分点，优于YOLO26n（10.4）与FashionFormer（8.7），小目标组较YOLO26n提升8.8个百分点。
**3.6 重叠条件检测分析：** 按归一化重叠率将实例分为四组，模型在全部重叠组取得最高mAP50（88.6%–95.1%），Overlap Drop为6.5个百分点，优于YOLO26n（10.8）与FashionFormer（8.6），重度重叠组较YOLO26n提升9.1个百分点。
**3.7 精度-效率权衡：** 模型仅较YOLO26n增加0.02 M参数（0.8%）和0.2 GFLOPs（3.8%），RTX 4090上吞吐量由175 FPS略降至166 FPS（-5.1%），属精度导向的权衡。
**3.8 跨硬件部署分析：** 在RTX 4090、RTX 3070 Laptop、Intel Core Ultra 9 275HX CPU和Jetson Orin Nano上，模型保持基线约85%–95%的推断吞吐量，CPU与Jetson平台相对降幅较大。
**3.9 鲁棒性分析：** 在亮度变化、高斯噪声、高斯模糊、随机遮挡和分辨率退化五种扰动下，模型均取得最高mAP50，各对比模型呈扰动特有的性能差异。
**3.10 跨源评估：** 在DeepFashion2、ModaNet、Fashionpedia和Exact Street2Shop上，零样本设置平均mAP50为73.1%（超越YOLO26n 4.5个百分点），重训练设置为86.0%（超越3.6个百分点），均取得最高值。
**四、讨论与结论**
定性分析显示模型能成功检测密集重叠、大尺度变化、部分遮挡与分层、复杂背景与光照干扰等场景，但错误集中于视觉相似类别混淆、分层服装抑制、低光照特征退化及反光导致的重复预测；CPU与Jetson平台吞吐量较低，七类体系合并了部分源标签区分，类别分布仍不均衡，严重分层与远距离小目标仍是挑战。结论指出，所提检测器的C3k2_CFEM、C2GSA与MSDSAM构成渐进通道-语义-空间精炼路径，在七类数据集上达到92.6% mAP50和74.7% mAP50:95，较YOLO26n提升6.6和5.8个百分点，参数量2.39 M、5.4 GFLOPs、RTX 4090上640×640输入批大小1时166 FPS（基线175 FPS）；尺度与重叠条件下平均退化小于对比方法，跨源零样本平均mAP50为73.1%、重训练后为86.0%，总体以增加0.02 M参数和0.2 GFLOPs实现精度导向的权衡。
