ADA-YOLO: Dynamic Fusion of YOLOv8 and Adaptive Heads for Precise Image Detection and Diagnosis

目标检测和定位是生物医学图像分析中关键的任务，特别是在血液学领域，血细胞的检测和识别对于诊断和治疗决策至关重要。虽然基于注意力机制的方法在各个领域的目标检测中已经取得了显著进展，但由于医学图像数据集所面临的独特挑战，它们在医学目标检测中的应用仍然受到限制。为了解决这个问题，我们提出了 ADA-YOLO，一种轻量级但有效的医学目标检测方法，它将注意力机制与 YOLOv8 架构集成。我们提出的方法通过自适应头模块，利用动态特征定位和并行回归来完成计算机视觉任务。我们在血细胞计数和检测（BCCD）数据集上进行了实证实验，评估了 ADA-YOLO 的有效性。结果表明，ADA-YOLO 在 BCCD 数据集上的 mAP（平均精度）比 YOLOv8 模型高出了更多，而且所占用的空间不到 YOLOv8 的三分之一。这表明我们提出的方法是有效的。此外，我们提出的方法的轻量级特性使其适用于资源受限的环境，如移动设备或边缘计算系统，这最终可能会提高血液学领域的诊断和治疗结果。

提出一种轻量级的医学目标检测方法，解决医学图像数据集中的独特挑战，用于血液细胞检测和诊断中。

将注意力机制与YOLOv8结构相结合，通过自适应头模块实现动态特征定位和并行回归，提出ADA-YOLO方法。

在BCCD数据集上进行实验，结果表明ADA-YOLO在比YOLOv8使用更少的空间的情况下，mAP（平均精度）优于YOLOv8，且适合在资源受限的环境中部署。

最近的相关研究包括：Attentional YOLOv3和YOLOv4等。