长尾分布下的微藻显微图像轻量级目标检测

微藻显微图像目标检测技术是生物学研究和环境监测等领域重要研究方向之一。电子显微镜采集到的微藻图像数据集存在长尾数据问题。传统的微藻检测方法需要大量人工操作,耗时长且结果容易受到操作人员技术经验的影响。结合解决长尾分布的方法,本文提出了一种基于延迟重采样和知识蒸馏相结合的目标检测算法(DDM-YOLO)。先对微藻显微图像进行数据增强,然后针对长尾分布数据,采用延迟重采样,并在二阶段采用反向采样,关注难以分类的少数类别样本,改善目标检测性能。设计了一种轻量级目标检测网络架构,通过知识蒸馏来减少模型复杂度和计算量。实验结果表明,DDM-YOLO算法的mAP@0.5/%为77.1%,与YOLOv5s相比提高了6.1%,模型参数量为3.88 MiB,减少了45.4%。所提出的方法在微藻显微图像数据上取得了显著的性能提升,同时在资源受限条件下实现了高效的目标检测,大大降低了检测人员的工作量。