【YOLOv8改进 - 特征融合】FFCA-YOLO: 提升遥感图像中小目标检测的精度和鲁棒性

YOLOv8目标检测创新改进与实战案例专栏

专栏目录： YOLOv8有效改进系列及项目实战目录 包含卷积，主干 注意力，检测头等创新机制 以及 各种目标检测分割项目实战案例

专栏链接: YOLOv8基础解析+创新改进+实战案例

介绍

摘要

在遥感中，小物体的检测任务由于特征表示不足和背景混淆等问题而变得艰难。特别是当算法需要部署在板载系统上进行实时处理时，需在有限的计算资源下进行准确性和速度的广泛优化。为了解决这些问题，本文提出了一种高效的检测器，称为特征增强、融合和上下文感知YOLO（FFCA-YOLO）。FFCA-YOLO包含三个创新的轻量级和即插即用的模块：特征增强模块（FEM）、特征融合模块（FFM）和空间上下文感知模块（SCAM）。这三个模块分别增强了网络的局部区域感知、多尺度特征融合和全局关联跨通道与空间的能力，同时尽量避免增加复杂性。因此，小物体的弱特征表示得到了增强，混淆的背景得到了抑制。使用两个公共遥感数据集（VEDAI和AI-TOD）和一个自建数据集（USOD）进行小物体检测，以验证FFCA-YOLO的有效性。FFCA-YOLO在mAP50指标上分别达到了0.748、0.617和0.909，超过了几个基准模型和最先进的方法。同时，在不同的模拟退化条件下也验证了FFCA-YOLO的鲁棒性。此外，为了在确保效率的同时进一步减少计算资源消耗，基于部分卷积（PConv）对FFCA-YOLO的骨干和颈部进行了重构，优化出一个轻量版本（L-FFCA-YOLO）。L-FFCA-YOLO速度更快，参数规模更小，计算功率要求更低，但与FFCA-YOLO相比精度损失很小。源代码将可在https://github.com/yemu1138178251/FFCA-YOLO获取。

文章链接

论文地址：论文地址

代码地址：代码地址

基本原理

FFCA-YOLO（Feature Enhancement, Fusion, and Context Aware YOLO）是一种高效的目标检测算法，专门为解决遥感图像中的小目标检测问题而设计。该模型的架构和模块包括三个主要部分：特征增强模块（Feature Enhancement Module, FEM）、特征融合模块（Feature Fusion Module, FFM）和空间上下文感知模块（Spatial Context Aware Module, SCAM）。以下是FFCA-YOLO模型架构与模块的详细介绍：

模型架构

FFCA-YOLO基于YOLOv5框架进行改进，通过引入FEM、FFM和SCAM三个轻量级且易于插入的模块来增强网络对局部区域的感知、多尺度特征融合和全局关