基于改进RT-DETR的多尺度特征融合的高效轻量皮肤病理检测方法

摘要

目的 针对皮肤病检测任务中存在皮肤病变区域多尺度、图像噪点干扰以及辅助诊疗设备资源有限影响检测准确性等问题，提出一种基于RT-DETR改进的高效轻量化皮肤病检测模型。方法 引入轻量级FasterNet作为骨干网络，同时对FasterNetBlock模块进行重参数化改进。在颈部网络中引入卷积和注意力融合模块代替多头自注意力机制，形成AIFI-CAFM模块，从而增强模型捕获图像全局依赖关系和局部细节信息的能力。设计DRB-HSFPN特征金字塔网络替换跨尺度特征融合模块（CCFM），以融合不同尺度的上下文信息，提升颈部网络的语义特征表达能力。结合Inner-IoU和EIoU的优点，提出了Inner-EIoU替换原损失函数GIOU，进一步提高模型推理准确性和收敛速度。结果 改进后的RT-DETR相较于原始模型，在HAM10000数据集上的mAP@50和mAP@50:95分别提升了4.5%和2.8%，检测速度FPS达到59.1帧/s。同时，改进模型的参数量为10.9M，计算量为19.3GFLOPs，相较于原始模型分别降低了46.0%和67.2%，验证了改进模型的有效性。结论 本文提出的SD-DETR模型在降低参数量和计算量的同时，能够有效的提取并融合多尺度特征，从而显著提升了皮肤病检测任务的性能。

关键词

皮肤病 / 轻量级网络 / 多尺度特征融合 / 注意力机制 / RT-DETR