基于SeaFormer的YOLOv8性能提升策略—轻量高效注意力模块Sea_AttentionBlock在语义分割中的应用研究

近年来，随着深度学习在计算机视觉领域的广泛应用，目标检测任务的精度和效率不断被推上新的高度。YOLO 系列作为实时检测算法的代表，在工业界和学术界都具有广泛影响力。而 YOLOv8 更是在前代基础上进一步优化了模型结构，提升了检测性能。然而，在面对小目标检测任务时，YOLOv8 仍然存在一定的局限性。为了解决这一问题，本文引入一种来自 ICLR 2023 的轻量级语义分割网络 SeaFormer 中的核心模块 —— Sea_AttentionBlock ，并将其与 YOLOv8 中的 C2f 模块相结合，提出了一种新的改进方案，显著提升了模型在多个数据集上的检测精度，特别是在小目标场景下效果尤为突出。

1. 背景动机

随着 Vision Transformer（ViT）在计算机视觉领域逐步超越传统 CNN 模型，在图像分类、目标检测、语义分割等任务中展现出卓越性能，其应用前景日益广泛。然而，ViT 类模型通常伴随着高昂的计算成本和内存需求，