---

---

摘要

作者提出一種新的檢測頭，稱為“動態頭”，旨在將尺度感知、空間感知和任務感知統一在一起。如果我們將骨干網絡的輸出（即檢測頭的輸入）視為一個三維張量，其維度為級別 × 空間 × 通道，這樣的統一檢測頭可以看作是一個注意力學習問題，直觀的解決方案是對該張量進行全自注意力機制的構建。然而，直接在所有維度上學習注意力函數過于困難，且計算成本過高。因此，作者提出通過分別在特征的每個特定維度上部署注意力機制，即在級別、空間和通道維度上來解決這一問題。

---

# 理論介紹

DynamicHead模塊是針對目標檢測任務提出的一種新的頭部（head）結構，它的設計目的是通過引入多種注意力機制，提升模型的檢測能力。核心思想是使得檢測頭部可以動態地根據輸入特征進行自適應調整，從而提高模型在不同尺度、空間、任務等方面的表現。DynamicHead模塊的關鍵組成部分包括：

• Scale-Aware Attention Module（尺度感知注意力模塊）：該模塊根據特征的尺度進行調整，使得不同尺度的特征能在合適的尺度下進行融合和處理。它通過為不同尺度的特征賦予權重來優化尺度差異的影響。
• Spatial-Aware Attention Module（空間感知注意力模塊）：該模塊針對空間位置進行優化。通過對特征圖中的重要區域進行加權，使得網絡能更關注目標物體的前景區域，避免特征圖的冗余部分對模型性能造成影響。
• Task-Aware Module（任務感知模塊）：這個模塊根據具體任務（如分類、定位等）調整頭部的輸出。它能根據任務需求優化目標的分類或回歸結果，提高模型的準確度和魯棒性。

下圖摘自論文

理論詳解可以參考鏈接：論文地址
代碼可在這個鏈接找到：代碼地址

---

小目標理論

在YOLOv8 中，輸入圖像的尺寸為 640x640x3，經過 8 倍、16 倍和 32 倍下采樣后分別得到 80x80、40x40 以及 20x20 大小的特征圖，網絡最終在這三個不同尺度的特征圖上進行目標檢測。在這三個尺度的特征圖中，局部感受野最小的是 8 倍下采樣特征圖，即如果將該特征圖映射到原輸入圖像，則每個網格對應原圖 8x8 的區域。對于分辨率較小的目標而言，8 倍下采樣得到的特征圖感受野仍然偏大，容易丟失某些小目標的位置和細節信息。為了改善目標漏檢現狀，對 YOLOv8 的 Head 結構進行優化，在原有的三尺度檢測頭的基礎之上，新增一個針對微小目標檢測的檢測頭 ，YOLOv8 原有 P3、P4 和 P5 這 3 個輸出層&