航拍小目标检测——特征增强机制详解

一、小目标检测为什么特别难？
在深入讨论解决方案之前，有必要先精确理解"小目标检测为什么难"这一问题的本质。这不是一个简单的主观感受，而是有明确的数学和技术原因的。

原因一：特征信息量不足

在深度学习目标检测中，模型需要从图像中提取足够的语义特征来进行分类和定位。对于小目标（比如在COCO标准中定义的小于32×32像素的目标），其覆盖的像素区域很小，经过几个卷积层和池化层的下采样后，在深层特征图中可能只对应几个点甚至一个点。这意味着模型几乎没有足够的空间信息来精确定位目标，也缺乏足够的语义信息来准确分类。

想象一下：你让一个人从一幅高清照片中识别出一只猫，这很容易；但如果把这张照片缩小到只有32×32像素，再让同一个人识别，难度就会急剧增加。深度学习模型面临的是同样的问题。

原因二：IoU对小目标过于敏感

在目标检测中，我们用IoU（Intersection over Union，交并比）来衡量预测框与真实框的重合程度。对于大目标，预测框稍有偏移，IoU仍然可以保持在一个较高的水平；但对于小目标，同样大小的偏移量会导致IoU急剧下降。

举例来说：一个200×200像素的目标，预测框偏移10个像素，IoU可能仍然在0.8以上；而一个20×20像素的目标，偏移5个像素，IoU就可能降到0.5以下。这意味着训练过程中，小目标的损失函数贡献容易被大目标"淹没"，模型难以学到对小目标有效的特征。

原因三：正负样本极端不平衡

在航拍图像中，小目标往往密集分布（比如一个广场上的数百人、一个停车场上的数十辆车），而背景区域占据了画面的大部分。在训练时，模型需要从大量负样本（背景）中找出少量的正样本（目标）。小目标由于面积小，正样本的像素占比更低，导致模型倾向于"忽略"小目标，从而降低召回率。

二、特征金字塔网络及其优化
特征金字塔网络（FPN，Feature Pyramid Network）是目前解决多尺度目标检测问题最主流的结构之一，在YOLOv8中也有成熟的应用。

FPN的核心思想：在传统的卷积网络中，随着网络加深，特征图的空间分辨率逐渐降低，语义信息逐渐增强。浅层特征图分辨率高、细节丰富但语义弱；深层特征图分辨率低、语义强但空间信息少。FPN通过自顶向下的路径，将深层语义信息传递到浅层特征图中，构建一个从高分辨率到低分辨率的特征金字塔，每一层都同时具备较好的空间信息和语义信息。

针对小目标的优化策略：标准的FPN通常使用4个尺度（从4倍下采样到32倍下采样）。对于航拍小目标，我们可以增加一个更高分辨率的特征层（2倍下采样或4倍下采样），专门负责检测极小目标。这个新增的层虽然计算量会有所增加，但能显著提升小目标的召回率。

三、注意力机制在航拍检测中的应用
注意力机制是近年来深度学习领域的重大突破之一，它让模型能够"关注"到图像中最关键的区域，忽略无关的背景信息。我们主要探索了两种注意力模块：

SE模块：Squeeze-and-Excitation模块的核心思想是通过显式建模通道之间的依赖关系，自动学习每个通道的重要程度。SE模块首先通过全局平均池化将每个通道压缩为一个标量（Squeeze），然后通过两个全连接层学习每个通道的权重（Excitation），最后将权重乘以原始特征图，对重要通道进行强化，对不重要通道进行抑制。

在航拍场景中，SE模块可以帮助模型更加关注与目标相关的通道特征。比如在人员搜救场景中，与人体轮廓相关的纹理通道会被赋予更高的权重，而背景纹理通道的权重则被降低。

CBAM模块：CBAM（Convolutional Block Attention Module）在SE的基础上更进一步，同时引入了通道注意力和空间注意力。通道注意力告诉模型"关注哪些通道"，空间注意力告诉模型"关注哪些空间位置"。两者结合，可以让模型更精确地定位航拍图像中的小目标。

在我们的模型中的集成方式：我们在YOLOv8n的Backbone网络末端和Neck网络的每个检测层前分别嵌入了CBAM模块。实验表明，这种配置下，模型的mAP@0.5提升了约2-3个百分点，对小目标的召回率提升更为显著。