.png){kind=icon}
返回
MST-DETR: A multi-scale enhanced tiny object detection framework
.png){kind=icon}
PRE
AI
DOI：10.1007/s11760-025-05074-8.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
微小目标检测是计算机视觉中的一个关键挑战，在空中监视和应急响应系统等领域具有显著应用。现有方法存在三个持续性问题：小尺度目标的特征表示不清晰、严重的背景干扰以及多尺度处理过程中的结构细节退化。为解决这些问题，我们提出了MST-DETR，一个具有三项关键创新的多模块协同框架。首先，自适应多尺度显著性增强（AMSE）模块通过空间注意力动态调整特征融合权重，增强判别性目标特征的同时保持计算效率。其次，高效上采样特征重组模块（EUFRM）通过渐进上采样和优化的通道交互改善特征对齐，提升复杂环境中的分类鲁棒性。第三，动态部分下采样（DPD）模块将可变形操作与基于小波的处理相结合，以最小化特征提取过程中的结构信息损失。大量实验结果表明，与RT-DETR-R18相比，MST-DETR在SIMD和VisDrone2019数据集上实现了2.5%-7.2%的mAP50val提升，同时显著减少了误报和漏检，进一步验证了所提方法在微小目标检测任务中的有效性和鲁棒性。
Keyword:
Tiny Object Detection
Multi-Scale
DETR
期刊
IF:
2.1
论文数:
908
被引数:
4.6K
机构
引用论文
YOLOv9: Learning What You Want to Learn Using Programmable Gradient InformationYOLOv9: 使用可编程梯度信息学习您想要学习的内容
.png){kind=icon}
PREAI
分享收藏
分享收藏Comparative Study of Some Deep Learning Object Detection Algorithms: R-CNN, FAST R-CNN, FASTER R-CNN, SSD, and YOLOOlorunshola, O.; Jemitola, P.; Ademuwagun, A. 对某些深度学习目标检测算法的比较研究：R-CNN、fast R-CNN、faster R-CNN、SSD 和 YOLO。Nile J. Eng. Appl. Sci. 2023, 1, 70–80. [Google Scholar] [CrossRef]
PREAI
分享收藏IST-TransNet: Infrared small target detection based on transformer networkIst-transnet: 基于变压器网络的红外小目标检测
PREAI
分享收藏
UAV-DETR: Efficient End-to-End Object Detection for Unmanned Aerial Vehicle ImageryUav-detr: 无人机图像的高效端到端目标检测
PREAI
分享收藏
查看更多内容