一种基于小波卷积增强YOLOv8的小目标检测网络

本发明涉及计算机视觉和目标检测领域，特别是基于卷积神经网络的旋转小目标检测领域，具体是对YOLOv8模型进行改进，通过引入Haar小波变换下采样模块HWD、小波变换特征增强模块WTFEM和基于最小点距离的边界框回归损失函数MPDIoU，以提高小目标的检测精度和鲁棒性。首先，将YOLOv8中的下采样模块替换为Haar小波变换下采样模块HWD。HWD利用Haar小波变换降低特征图的空间分辨率，同时尽可能保留更多信息。其次，在网络的neck部分创新性地引入小波变换特征增强模块(Wavelet Transform Feature Enhancement Module，WTFEM)，旨在突破传统特征融合方式的局限，显著提升模型对多尺度目标的语义理解与细节保留能力。最后，将原有损失函数替换为基于最小点距离的边界框回归损失函数MPDIoU。该损失函数通过计算预测框与真实框间最近顶点的欧氏距离，结合面积重叠率和中心点距离优化目标，解决了传统IoU在边界框不重叠场景下梯度消失的问题。