面向类别不平衡情况下的小目标检测算法SOEP-DETR
来源：计算机工程与应用杂志2026年第9期北京时间：
作者：张俊杰, 费程, 付晓辉
单位：1.中国人民公安大学 信息网络安全学院，北京 102623；2.首都师范大学 美术学院，北京 100089；3.联通（北京）产业互联网有限公司，北京 100032；
摘要：通过在特征提取网络浅层增加检测层是提高小目标检测准确率的常用方法之一，但现有方法直接采用与深层检测层相同的结构设计，未充分考虑浅层特征与深层特征、局部特征与全局特征的高效利用问题。针对此问题，提出基于小目标特征增强金字塔（small object enhanced feature pyramid network，SOEFPN）的目标检测模型。利用空间-深度转换卷积模块对浅层特征进行重组与增强，在不损失特征信息的情况下降低特征的维度。将重组与增强后的浅层特征与深层特征进行级联，得到多尺度特征。对多尺度特征利用小目标特征增强金字塔分别提取到表征目标的全局特征、大尺度特征和局部特征，可在不显著增加模型计算量和参数量的前提下，提高模型在类别不均衡情况下对小目标检测的性能。在自建的类别不均衡的教学场景数据集上进行实验，实验结果表明，基于小目标特征增强金字塔的检测策略与直接在特征提取网络浅层增加检测层的小目标检测策略相比，可减少模型的漏检率和误检率，综合评价指标[mAPbox50]和[mAPbox50:95]分别提高0.038和0.031。综合细粒度评价指标、综合评价指标、模型计算量和参数量四个评估维度，与DDQ-DETR和Dino等18个先进的目标检测算法相比，该算法在计算量仅为DDQ-DETR和Dino两个算法的7.6%和23.9%的情况下，取得了很好的检测效果。
关键词：小目标检测,智慧学习环境,类别不平衡,多尺度特征
基金资助：中央高校基本科研业务费专项资金项目（2025JKF02ZK10）；2022年度新一代人工智能国家科技重大专项（2022ZD0115900）。
