aerial 图像中微小目标检测的增强方法
计算机视觉与模式识别
2026-02-03 v2
摘要
虽然一阶段检测器如YOLOv8提供快速的训练速度，但往往在检测小目标方面表现不佳，这在检测航空图像中的微小目标尤为关键，由于目标分辨率低且背景杂乱。为此，我们引入四种增强策略——输入图像分辨率调整、数据增强、注意力机制以及注意力模块的替代门控函数——可轻松实现于YOLOv8。我们演示了图像大小放大和适当使用增强可以导致增强。此外，我们设计了一个由多个注意力模块增强CNN组成的混合正交神经网络管道(MoonNet)，将两个著名的注意力模块——Squeeze-and-Excitation(SE)块和Convolutional Block Attention Module(CBAM)集成到YOLOv8的主干中形成MoonNet设计，MoonNet主干相对于原始YOLOv8主干和单一类型注意力模块增强主干获得了 improved 检测准确性。MoonNet进一步通过在YOLC模型中实现了在微小对象基准测试上的状态-of-the-art 性能。我们的代码可在https://github.com/Kihyun11/MoonNet获取。
引用
@article{arxiv.2509.17078,
title = {Enhanced Detection of Tiny Objects in Aerial Images},
author = {Kihyun Kim and Michalis Lazarou and Tania Stathaki},
journal= {arXiv preprint arXiv:2509.17078},
year = {2026}
}