团队近期成果--面向复杂农业场景的双域融合Transformer杂草检测框架
我们团队在《Knowledge-Based Systems》(IF: 7.6, 中科院一区Top)上发表论文“Tiny object detection via implicit feature fusion and hybrid metric adaptive label assignment”。该论文上海大学计算机工程与科学学院为第一单位。
微小目标检测（Tiny Object Detection, TOD）在农业场景中有广泛应用。微小目标检测的像素极其有限，这限制了特征的提取、融合并对主流检测方法的标签分配策略提出了挑战。为了应对这些问题，本文提出了一种基于隐式特征融合（Implicit Feature Fusion, IFF）和混合自适应标签分配（Hybrid Adaptive Label Assignment, HALA）的微小目标检测网络，命名为IHANet，旨在实现高精度的微小目标检测。
具体而言，IFF通过利用隐式神经表示，缓解了多尺度融合中的特征不对齐问题，将来自不同金字塔层级的特征图映射为统一尺寸后进行融合。通过将特征图建模为连续表示，IFF能够在任意分辨率下实现有效融合，保留微小目标的细节并减少信息损失。HALA通过结合交并比（IoU）和在微小目标检测中表现更为优越的感受野距离（Receptive Field Distance, RFD），并采用自适应选择策略挖掘高质量训练样本，优化了标签分配过程，从而提升模型的训练和检测性能。在 AI-TOD、SODA-D、VisDrone 和 AgriPest 数据集上进行的广泛实验表明，IHANet 在多个 TOD 场景中均实现了先进的性能，其中在 AI-TOD 数据集上的 AP 值达到 29.1。
论文链接：Tiny object detection via implicit feature fusion and hybrid metric adaptive label assignment
代码链接：https://github.com/han-yuexing/IHANet
