论文链接：https://arxiv.org/pdf/2309.16393.pdf
小目标检测一直是目标检测领域的一个具有挑战性的问题。有一些工作提出了针对此任务的改进，例如添加多个注意力块或更改特征融合网络的整个结构。然而，这些模型的计算成本很大，这使得部署实时目标检测系统变得不可行，同时留下了改进的空间。为此，提出了一个改进的YOLOv5模型：HICYOLOv5来解决上述问题。首先，添加了一个特定于小目标的额外预测头，以提供更高分辨率的特征图以进行更好的预测。其次，在主干和颈部之间采用了一个内卷积块，以增加特征图的通道信息。此外，在主干的末端应用了一种名为CBAM的注意力机制，从而不仅降低了与以前工作相比的计算成本，而且强调了通道和空间域中的重要信息。我们的结果表明，HIC-YOLOv5在VisDrone-2019-DET数据集上的mAP@[.5:.95]提高了6.42%，mAP@0.5提高了9.38%。
目标检测算法已广泛应用于无人机的智能系统，如行人检