目标检测论文解读复现之十一：基于特征融合与注意力的遥感图像小目标检测
前言
此前出了目标改进算法专栏，但是对于应用于什么场景，需要什么改进方法对应与自己的应用场景有效果，并且多少改进点能发什么水平的文章，为解决大家的困惑，此系列文章旨在给大家解读最新目标检测算法论文，帮助大家解答疑惑。解读的系列文章，本人已进行创新点代码复现，有需要的朋友可关注私信我。
一、摘要
为解决遥感图像小目标检测中目标特征信息量少、定位困难等难题，本文提出一种基于特征融合与注意力的遥感图像小目标检测算法FFAM-YOLO(Feature Fusion and Attention Mechanism YOLO)。算法首先针对主干网络特征提取有效信息量少、特征图信息表征能力弱的问题，构造特征增强模块(Feature Enhancement Module, FEM)以融合较低层级特征图中多重感受野特征，提升算法主干网络的目标特征提取能力；其次，经主干网络提取得到高低层级特征图后，重构算法高低层级特征融合结构，利用特征融合模块(Feature Fusion Module, FFM)显著增强小目标的特征信息；然后，在通道注意力机制(EnhancedEfficient Channel Attention, E-ECA)与空间注意力机制(Spatial Attention Module, SAM)所组成的级联注意力机制(E-ECA SAM Module, ESM)作用下，更精确捕获小目标特征；最后，在输出的两路特征图上进行小目标检测并输出结果。实验结果表明，基于构建的遥感图像小目标数据集USOD(Unicorn Small Object Dataset)，所提算法查准率达到91.9%，查全率达到83.5%，AP@0.5 达到89%，AP@0.5:0.95 达到32.6%，检测速率FPS达到120帧/s，具有一定的鲁棒性和实时性。
二、算法整体框架及核心创新点
创新点：
1.特征增强模块 FEM
2.特征融合模块FFM
3.注意力机制ESM
三、应用数据集
本文基于美国空军实验室(US Air Force Research Laboratory, AFRL)所发布的UNICORN 2008[28]，对其进行筛选、图像分割、人工补充标注并形成Unicorn小目标数据集USOD，用于实现遥感图像车辆小目标检测。
四、实验效果（部分展示）
1.为验证本文对FFAM-YOLO算法所提出的各改进模块对遥感图像小目标检测的影响，逐一对各个模块进行评估，评估结果如下表所示。
2. 如下图所示，展示了YOLOv5算法与FFAM-YOLO算法在光照度低场景、阴影遮挡场景的检测结果。
五、实验结论
USOD的实验结果表明，本文算法相较于其他算法有一定的提升，性能指标查准率为91.9%，查全率为83.5%，AP@0.5 为89%，AP@0.5:0.95 为32.6%，算法的准确性和实时性均得到保障。
六、投稿期刊介绍
注：论文原文出自张寅，朱桂熠，施天俊，张琨，闫钧华．基于特征融合与注意力的遥感图像小目标检测[J/OL]．光学学报.
https://kns.cnki.net/kcms/detail/31.1252.O4.20220714.1843.456.html
解读的系列文章，本人已进行创新点代码复现，有需要的朋友可关注下面公众号，私信我。