通过信息增强和自适应特征融合的DETR小目标检测

小目标检测算法的主要挑战是在追求实时性能的同时保证准确性。RT-DETR模型在实时目标检测中表现良好，但在小目标检测精度方面表现较差。为弥补RT-DETR模型在小目标检测中的不足，本研究提出了两项关键改进。首先，RT-DETR使用的Transformer仅接收骨干网络最后一层特征的输入。这意味着Transformer的输入仅接收深度网络中最高抽象层次的语义信息，而忽略了对于小目标定位至关重要的边缘、纹理或颜色梯度等低抽象层次的细节信息。仅包含深层特征可能会引入额外的背景噪声，这对小目标检测的准确性产生负面影响。为解决这一问题，我们提出了细粒度路径增强方法。该方法通过向深层网络提供细节信息，有助于更准确地定位小目标。因此，Transformer的输入同时包含语义信息和细节信息。其次，在RT-DETR中，解码器将不同层次的特征图以等权重拼接后作为输入。然而，这种操作在处理不同尺寸特征图所捕获的多尺度信息的复杂关系时效果不佳。因此，我们提出了一种自适应特征融合算法，为来自不同层次的每个特征图分配可学习参数。这使得模型能够自适应地融合来自不同层次的特征图，并有效整合不同尺度的特征信息。这增强了模型捕获不同尺度目标特征的能力，从而提高了检测小目标的准确性。