点击蓝字
关注我们
关注并星标
从此不迷路
计算机视觉研究院
公众号ID｜计算机视觉研究院
学习群｜扫码在主页获取加入方式
https://pmc.ncbi.nlm.nih.gov/articles/PMC12357908/pdf/41598_2025_Article_15975.pdf
究院专栏
Column of Computer Vision Institute
本文提出PCPE-YOLO算法，基于 YOLOv8 深度优化，一举实现轻量化设计与小目标高精度检测的完美平衡，在多个权威数据集上刷新 SOTA！
PART/1
痛点
小目标仅占图像极小区域，特征信息匮乏、背景干扰强，传统 YOLO 系列模型在极端小目标检测上存在漏检、定位不准问题；同时边缘设备算力有限，模型轻量化与检测精度的平衡成为核心痛点。
现有改进方案多聚焦单一维度，要么牺牲性能换轻量化，要么为精度过度增加参数量，无法兼顾轻量化、高精度、高召回三大核心需求。
PART/2
创新
PCPE-YOLO 以 YOLOv8m 为基线，通过四大核心模块重构，针对性解决小目标检测与轻量化难题，整体结构如下图所示。
1. 动态可重构 C2f_PIG 模块
替换原生 C2f 模块，采用参数感知机制自适应切换瓶颈结构：
n≤3 时，用融合 PConv（部分卷积）+IDConv（深度可分离卷积）的高参瓶颈，保性能；
n>3 时，用 GhostBottleneckV2 轻量瓶颈，降参量。该模块在参数量减少 24.7% 的同时，不损失检测性能，结构如下图所示。
2. CAA 上下文锚点注意力机制
轻量化设计捕捉长距离上下文依赖，通过一维条纹卷积替代大核卷积，聚焦小目标关键特征、抑制背景噪声，大幅提升复杂场景下小目标辨识度。
3. 新增小目标检测层
原生 YOLOv8 仅 3 个检测层，无法覆盖＜8×8 像素的极端小目标；PCPE-YOLO 新增160×160 分辨率 P2 检测层，专门检测 4×4 像素以上小目标，显著降低漏检率。
4. EUCB 高效上卷积块
替换传统上采样模块，结合双线性上采样、深度卷积与 1×1 卷积，以极低计算开销恢复特征分辨率，提升小目标召回率。
PART/3
实验
团队选用 VisDrone2019（无人机）、KITTI（自动驾驶）、NWPU VHR-10（遥感） 三大权威数据集验证，实验配置与结果如下：
1. 核心实验结果
VisDrone2019：精度 + 3.8%、召回 + 5.6%、mAP50+6.2%、F1+5%，参数量仅 19.5M；
KITTI：精度 94.8%、召回 86.7%、mAP50 93.5%，全面超越对比模型；
NWPU VHR-10：精度 91.9%，综合性能最优。
2. 消融实验验证
四大模块协同增效，单独启用任一模块均带来性能提升；最终模型FPS＞90，延迟仅 11.0ms，满足实时部署需求。
3. 可视化效果
对比 YOLOv8m，PCPE-YOLO 能精准识别密集遮挡场景中的极端小目标，注意力热图更聚焦小目标区域，抗干扰能力大幅提升。
PART/4
总结与展望
PCPE-YOLO 通过动态可重构主干 + 注意力增强 + 小目标专属层 + 高效上采样，完美解决小目标检测精度与轻量化的矛盾，在无人机、自动驾驶、遥感等场景具备极高落地价值。
未来团队将结合扩散模型优化数据增强，进一步攻克小目标密集遮挡难题，推动小目标检测技术再升级！
有相关需求的你可以联系我们！
END
转载请联系本公众号获得授权
计算机视觉研究院学习群等你加入！
ABOUT
计算机视觉研究院
计算机视觉研究院主要涉及深度学习领域，主要致力于目标检测、目标跟踪、图像分割、OCR、模型量化、模型部署等研究方向。研究院每日分享最新的论文算法新框架，提供论文一键下载，并分享实战项目。研究院主要着重”技术研究“和“实践落地”。研究院会针对不同领域分享实践过程，让大家真正体会摆脱理论的真实场景，培养爱动手编程爱动脑思考的习惯！
往期推荐
🔗
扫一扫
305
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
