提升 YOLOv8 在相机陷阱目标检测中的泛化性能

相机陷阱已成为野生动物保护的重要工具，提供了一种非侵入性的手段来监测和研究自然栖息地中的野生动物。利用目标检测算法从相机陷阱图像中自动化识别物种对研究和保护目的具有巨大重要性。然而，泛化问题——即训练后的模型无法将其学习成果应用于从未见过的数据集——普遍存在。本文探讨了针对 YOLOv8 目标检测算法所做的改进，以解决泛化问题。本研究深入探讨了基线 YOLOv8 模型的局限性，强调了其在真实世界环境中泛化能力的不足。为了克服这些局限性，提出了多项改进，包括引入全局注意力机制（GAM）模块、改进的多尺度特征融合，以及将带动态聚焦机制的交并比（WIoUv3）作为边界框回归损失函数。全面的评估和消融实验表明，改进后的模型能够抑制背景噪声，聚焦于物体属性，并在新环境中展现出稳健的泛化能力。所提出的改进不仅解决了相机陷阱数据集中固有的挑战，还为在真实世界保护场景中的更广泛应用铺平了道路，最终有助于有效管理野生动物种群及其栖息地。