基于改进YOLOv5的无人机实时密集小目标检测算法

无人机航拍图像与自然场景图像相比背景更复杂，存在大量密集小目标，对检测网络提出了更高的要求。在保证目标检测实时性的前提下，针对无人机视角下密集小目标检测精度低的问题，提出一种基于YOLOv5的无人机实时密集小目标检测算法。首先，将空间注意力(SAM)与通道注意力(CAM)相结合，改进CAM中特征压缩后的全连接层，降低计算量。另外，改变CAM与SAM的连接结构，提高空间维度特征捕获能力。综上，提出一种空间-通道注意力模块(SCAM)，提高模型对特征图中小目标聚集区域的关注程度；其次，提出一种基于SCAM的注意力特征融合模块(SC-AFF)，根据不同尺度特征图自适应分配注意力权重，增强小目标的特征融合效率；最后，在主干网络中引入Transformer模块，并利用SC-AFF模块改进原有的残差连接处的特征融合方式，更好地捕获全局信息和丰富的上下文信息提高复杂背景下密集小目标的特征提取能力。在VisDrone2021数据集上进行实验，YOLOv5s基准下，改进后模型的mAP50提高了6.4%,mAP75提高了5.8%，对高分辨率图像的FPS可达到46。在输入分辨率1 504×1 504下训练的模型mAP50可达54.5%，比YOLOv4提高了11.5%，精度提高的同时检测速度FPS依旧保持在46，更适用于密集小目标场景下的无人机实时目标检测。