针对无人机影像中道路小目标漏检和目标之间遮挡导致的目标检测精度低、鲁棒性差等问题,提出一种多尺度的道路目标检测算法——YOLOv5-FTCE。执行多尺度的目标定位改进,采用完全交并比(Complete Intersection over Union,CIoU)边界框损...针对无人机影像中道路小目标漏检和目标之间遮挡导致的目标检测精度低、鲁棒性差等问题,提出一种多尺度的道路目标检测算法——YOLOv5-FTCE。执行多尺度的目标定位改进,采用完全交并比(Complete Intersection over Union,CIoU)边界框损失,通过K-means算法对先验框进行重聚类,调整先验框的锚框参数并增加一个针对小目标的YOLO检测头;引入Transformer encoder结构融入C3模块改进Backbone网络,增强网络对不同局部信息的捕获能力;选用基于特征重组的Content-Aware ReAssembly of FEatures(CARAFE)模块进行上采样,提高上采样性能的同时减少特征处理过程中的信息损失;引入高效注意力模块(Efficient Attention Module,EAM)融合空间和通道信息,对网络中重要的信息进行增强。结果表明,YOLOv5-FTCE算法在VisDrone数据集上,检测精确率相比原始算法提高了9.5%,mAP50提高了8.9%,优于YOLOv7等其他常见的算法,有效改善了道路小目标和遮挡目标的漏检现象。展开更多
文摘针对无人机影像中道路小目标漏检和目标之间遮挡导致的目标检测精度低、鲁棒性差等问题,提出一种多尺度的道路目标检测算法——YOLOv5-FTCE。执行多尺度的目标定位改进,采用完全交并比(Complete Intersection over Union,CIoU)边界框损失,通过K-means算法对先验框进行重聚类,调整先验框的锚框参数并增加一个针对小目标的YOLO检测头;引入Transformer encoder结构融入C3模块改进Backbone网络,增强网络对不同局部信息的捕获能力;选用基于特征重组的Content-Aware ReAssembly of FEatures(CARAFE)模块进行上采样,提高上采样性能的同时减少特征处理过程中的信息损失;引入高效注意力模块(Efficient Attention Module,EAM)融合空间和通道信息,对网络中重要的信息进行增强。结果表明,YOLOv5-FTCE算法在VisDrone数据集上,检测精确率相比原始算法提高了9.5%,mAP50提高了8.9%,优于YOLOv7等其他常见的算法,有效改善了道路小目标和遮挡目标的漏检现象。
