MSConv-YOLO: Un algoritmo mejorado de detección de objetivos pequeños basado en YOLOv8

Área de la Ciencia:

• Visión por computadora
• Inteligencia artificial
• Detección remota

Sus antecedentes:

• La detección de objetos pequeños en las imágenes aéreas de vehículos aéreos no tripulados (UAV) es un desafío debido a las variaciones de escala y los fondos complejos.
• Los marcos existentes como YOLOv8 requieren mejoras para un rendimiento óptimo en objetivos pequeños.

Objetivo del estudio:

• Mejorar el rendimiento de la detección de objetos pequeños en imágenes aéreas de UAV.
• Introducir mejoras prácticas de ingeniería en el marco YOLOv8s.

Principales métodos:

• Desarrollado MultiScaleConv-YOLO (MSConv-YOLO) mediante la integración de un módulo MultiScaleConv (MSConv) para la extracción mejorada de características en múltiples escalas.
• Reemplazó la pérdida de CIoU con WIoU v3 para mejorar la regresión de la caja de límites de objetivos pequeños.
• Incorpora una cabeza de detección de alta resolución en la estructura de cuello-cabeza para preservar las características de grano fino.

Principales resultados:

• MSConv-YOLO logró una mejora del 6,9% en mAP@0,5 y una ganancia del 6,3% en el recuerdo en comparación con la línea de base YOLOv8s en el conjunto de datos VisDrone2019.
• Los estudios de ablación confirmaron la eficacia de las mejoras individuales.

Conclusiones:

• MSConv-YOLO ofrece una solución práctica y efectiva para la detección de objetos pequeños en escenarios de UAV.
• Las mejoras propuestas mejoran el rendimiento de detección sin alterar fundamentalmente la arquitectura de YOLOv8.