一种高效的实时小目标检测框架，用于航空图像处理，该框架结合了边缘感知技术和动态卷积算法

《Scientific Reports》：Efficient real time small object detection framework in aerial images using edge awareness and dynamic convolution

　　

摘要

在高分辨率图像中进行小目标检测仍然具有挑战性，因为目标实例通常只占据有限的像素数量，导致其外观特征较弱，容易被背景噪声掩盖。此外，传统检测器中使用的重复下采样操作往往会抑制高频边缘信息和细粒度空间细节，而这些对于准确定位小目标至关重要。同时，许多现有方法通过引入更复杂的多尺度特征融合策略或更复杂的预测头来提高检测性能，但这显著增加了计算成本、参数冗余和推理延迟，从而限制了在资源受限设备上的实时应用。为了解决这些问题，本文提出了GDD-YOLO，这是一个高效的实时小目标检测框架。具体来说，设计了一个全局边缘信息传输（GEIT）模块，用于从浅层特征中提取多尺度边缘特征，并将其传播到主干网络中，以增强对小目标边界的感知能力。此外，引入了动态Inception Mixer（DIM）来克服固定卷积核的尺度适应性限制，通过执行输入自适应的多分支卷积聚合来降低复杂度。另外，还开发了一个轻量级检测头（DECDH），利用共享卷积和细节增强操作在保留上下文和局部结构信息的同时减少参数开销。在VisDrone数据集上的实验表明，GDD-YOLO的AP（平均精度）达到了26.2%，比YOLOv11-S高出2.4%，同时参数数量减少了16.8%，计算成本降低了14.6%。这些结果表明，GDD-YOLO在实时小目标检测方面实现了检测精度和推理效率之间的有效平衡，适用于边缘设备。