作者及机构
本研究的通讯作者为Zhongzhi Zheng与Yuan Jia*（标注*为通讯作者），所属机构为中国四川省绵阳市的西南科技大学（Southwest University of Science and Technology）。该论文发表于2024年第17届国际图像与信号处理、生物医学工程与信息学大会（CISP-BMEI），会议论文集由IEEE出版，DOI编号为10.1109/cisp-bmei64163.2024.10906296。
研究领域与动机
本研究属于计算机视觉中的目标检测领域，专注于无人机航拍图像的小目标检测。无人机在环境监测、农业、交通管理等领域的广泛应用，催生了对其拍摄图像中微小目标（如行人、车辆）的高精度检测需求。然而，航拍图像存在目标尺寸小、特征模糊、背景复杂、尺度变化大等挑战，传统基于CNN的算法（如YOLO系列）因感受野有限和NMS（非极大值抑制）过程的缺陷，难以满足实时性与精度要求。
技术背景
- RT-DETR：百度团队2023年提出的实时检测Transformer模型，通过Transformer架构捕捉全局上下文，避免了NMS的负面影响。
- 现有问题：RT-DETR在计算成本和小目标特征提取效率上仍有优化空间。
研究目标
提出改进的RT-DETR算法，通过轻量化模块设计、多尺度特征融合和损失函数优化，提升小目标检测精度并降低计算开销。
改进点：
- 基础结构：基于Fasternet Block，引入卷积门控线性单元（Convolutional Gated Linear Unit, CGLU）替代传统卷积。
- CGLU原理：在GLU（Gated Linear Unit）的门控分支中嵌入3×3深度可分离卷积（Depthwise Conv），形成通道注意力机制，增强局部特征捕获能力（图2）。
- 计算优化：通过部分卷积（PConv）仅处理输入特征图的部分通道，减少冗余计算（FLOPs降低至标准卷积的1/4）。
验证实验：
- 在RT-DETR基线模型中替换BasicBlock为CF-Block，参数量减少21.9%（19.88M→15.52M），检测精度（mAP@0.5）提升0.1%。
设计动机：
浅层特征包含小目标的细节信息，但传统下采样会导致信息丢失。
关键技术：
- SPD-Conv模块：将空间到深度（Space-to-Depth）层与无步长卷积结合，避免下采样中的细粒度信息损失（图4）。
- Omni-Kernel模块（OKM）：
- 多分支设计：全局分支（双域通道注意力DCAM+频率空间注意力FSAM）、大尺度分支（k×k深度卷积）、局部分支（1×1卷积），全面融合多尺度特征。
- CSPNet优化：沿空间维度分割特征图，部分输入OKM处理，减少计算量。
实验效果：
- 结合SOEP的模型（RT-DETR b）mAP@0.5提升至50.2%，参数量增至20.50M，但通过CF-Block与SOEP联合优化（RT-DETR d），参数量降至16.14M，精度仍优于基线。
改进原理：
- Shape-IoU：引入目标形状权重（公式6-7），通过长宽比自适应调整损失计算，增强尺度不变性。
- Wise-IoU融合：动态梯度增益策略（公式14）抑制低质量锚框的负面影响，聚焦中等质量样本。
实验结果：
- 单独使用W-ShapeIoU（RT-DETR c）使mAP@0.5提升0.2%；与CF-Block、SOEP联合优化后，最终模型mAP@0.5达50.6%（较基线提升2.6%）。
如图8所示，改进模型修正了基线RT-DETR的误检（如将路灯识别为行人）和漏检（如双层巴士），证明了多尺度特征融合的有效性。
科学价值：
1. 方法创新：CF-Block与CGLU的结合为轻量化特征提取提供了新思路；SOEP通过浅层特征融合解决了小目标信息丢失问题。
2. 理论贡献：W-ShapeIoU首次将形状敏感性与动态梯度分配结合，提升了边界框回归的鲁棒性。
应用价值：
该算法可部署于无人机实时监测系统，适用于交通流量统计、灾害搜救等场景。未来可通过量化与剪枝进一步压缩模型，适配边缘设备。
局限性与展望：当前模型对极端光照条件的适应性不足，未来可通过数据增强（如随机裁剪、旋转）进一步优化。