改进YOLOv5的无人机影像小目标检测算法

被引：43

作者：

谢椿辉 ^{[1
,2
]}

吴金明 ^{[1
]}

徐怀宇 ^{[2
]}

机构：

[1] 中国科学院上海高等研究院

[2] 上海科技大学信息科学与技术学院

来源：

计算机工程与应用 | 2023年 / 09期

关键词：

目标检测; 无人机; 小目标; 注意力机制; 特征融合; YOLO;

D O I：

暂无

中图分类号：

TP391.41 []; V19 [航空、航天的应用];

学科分类号：

08 ; 080203 ; 0825 ;

摘要：

无人机航拍影像具有目标尺度变化大、背景复杂等诸多特性，导致现有的检测器难以检测出航拍影像中的小目标。针对无人机影像中小目标误检漏检的问题，提出了改进YOLOv5的算法模型Drone-YOLO。增加了检测分支以提高模型在多尺度下的检测能力。设计了多层次信息聚合的特征金字塔网络结构，实现跨层次信息的融合。设计了基于多尺度通道注意力机制的特征融合模块，提高对小目标的关注度。将预测头的分类任务与回归任务解耦，使用Alpha-IoU优化损失函数定义，提升模型检测的效果。通过无人机影像数据集VisDrone的实验结果表明，Drone-YOLO模型较YOLOv5模型在AP50指标上提高了4.91个百分点，推理延时仅需16.78 ms。对比其他主流模型对于小目标拥有更好的检测效果，能够有效完成无人机航拍影像的小目标检测任务。

引用

页码：198 / 206

页数：9

共 5 条

[1] 注意力与跨尺度融合的SSD目标检测算法
李青援
邓赵红
罗晓清
顾鑫
王士同
[J]. 计算机科学与探索, 2022, 16 (11) : 2575 - 2586
[2] 多尺度非局部注意力网络的小目标检测算法
梁延禹
李金宝
[J]. 计算机科学与探索, 2020, 14 (10) : 1744 - 1753
[3] Mate Kisantal,Zbigniew Wojna,Jakub Murawski,Jacek Naruniec,Kyunghyun Cho.Augmentation for small object detection[J].CoRR,2019
[4] Huang Z,Wang X,Huang L,et al.Ccnet:Criss-cross attention for semantic segmentation[K].Proceedings of the IEEE/CVF International Conference on Computer Vision,2019
[5] Dai J,Qi H,Xiong Y,et al.Deformable Convolutional Networks[K].IEEE International Conference on Computer Vision,2017

← 1 →