A Hierarchical Feature Fusion and Dynamic Collaboration Framework for Robust Small Target Detection
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Small target detection is an important research direction in computer vision, widely applied in scenarios such as drone monitoring, remote sensing image analysis, and autonomous driving. However, as small targets occupy fewer pixels, contain limited feature information, and often appear in complex backgrounds, existing detection algorithms face shortcomings in accuracy and robustness. To address this, this paper proposes a novel small target detection algorithm that integrates hierarchical feature fusion with a spatial dynamic collaboration mechanism. The hierarchical feature fusion module (HFA) effectively combines shallow detail features with deep semantic features, greatly enhancing the feature representation capability for small targets. Meanwhile, the dynamic collaboration mechanism (DCCA) dynamically adjusts feature fusion weights and detection strategies based on target scale and density distribution, thereby further improving detection accuracy and robustness. Extensive experiments are conducted on datasets such as VisDrone, TinyPerson, and NWPU VHR-10. Results demonstrate that, compared to state-of-the-art models like YOLOv8 and YOLOv10, the proposed algorithm achieves significant improvements in precision, recall, and mAP, with mAP increasing by 2.1% to 3.2% and mAP-95 by 1.2% to 1.8%. Ablation studies further validate the complementarity of HFA and DCCA in optimizing model performance, confirming the algorithm’s superiority and robustness in complex scenarios. This research provides a novel technical route for small target detection and offers valuable references for practical applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle