YoloV8改进策略：卷积篇|风车卷积|即插即用
文章目录
- 论文信息
- 论文翻译
- 摘要
- 引言
- 相关研究
- 红外搜索与跟踪检测和分割网络
- 红外搜索与跟踪数据集的损失函数
- 红外搜索与跟踪数据集
- 方法
- 风车形卷积（PConv）
- 基于尺度的动态损失
- SIRST - UAVB数据集
- 实验
- 实验设置
- 与其他方法的比较
- 多模型上的消融实验
- 结论
- 致谢
- 代码
- 改进方法
- 测试结果
- 总结
论文信息
论文标题：《Pinwheel-shaped Convolution and Scale-based Dynamic Loss for Infrared Small Target Detection》
论文链接：https://arxiv.org/pdf/2412.16986
GitHub链接：https://github.com/JN-Yang/PConv-SDloss-Data
论文翻译
摘要
https://arxiv.org/pdf/2412.16986
近年来，基于卷积神经网络（CNN）的红外小目标检测方法取得了卓越的性能。然而，这些方法通常采用标准卷积，忽略了红外小目标像素分布的空间特性。因此，我们提出了一种新型的风车形卷积（PConv）来替代骨干网络下层的标准卷积。PConv 更好地契合了微弱小目标像素的高斯空间分布，增强了特征提取能力，显著增大了感受野，并且参数增加量极少。此外，虽然最近的损失函数结合了尺度损失和位置损失，但它们没有充分考虑这些损失在不同目标尺度下的敏感性差异，这限制了在微弱小目标上的检测性能。为了克服这一问题，我们提出了一种基于尺度的