基于YOLOv5s的航拍小目标检测改进算法研究.pdf
《基于YOLOv5s的航拍小目标检测改进算法研究.pdf》由会员分享,可在线阅读,更多相关《基于YOLOv5s的航拍小目标检测改进算法研究.pdf(9页珍藏版)》请在咨信网上搜索。
1、 :引用格式:刘展威,陈慈发,董方敏基于的航拍小目标检测改进算法研究无线电工程,():,():基于的航拍小目标检测改进算法研究刘展威,陈慈发,董方敏,(三峡大学 计算机与信息学院,湖北 宜昌;三峡大学 湖北省建筑质量检测装备工程技术研究中心,湖北 宜昌)摘要:针对无人机航拍时拍摄的对象大小不一、种类繁杂且容易被建筑遮挡等问题,提出了一种基于的无人机目标检测改进算法。在已有的主干网络中添加注意力机制模块,扩大检测区域,获得更准确的位置信息;针对检测小目标时尺度不一导致语义丢失的问题,添加小目标检测层与结构,加深浅层语义与深层语义结合,以此丰富对检测目标的语义信息;使用损失函数 与,改善模型对小目
2、标检测的准确性。实验结果表明,在数据集上,该算法的平均检测精度(,)达到了,相比提高了。关键词:无人机航拍;小目标;中图分类号:文献标志码:开放科学(资源服务)标志码():文 章 编 号:(),(,;,):,;,;,(),:;收稿日期:基金项目:国家自然科学基金新疆联合基金重点项目():()引言随着基于深度学习的目标检测技术的快速发展,“无人机航拍目标检测”方法的使用越来越普遍,如森林防火、电路巡检和农业监管等。目前针对“小目标”的定义主要有种:一种是绝对尺寸,尺寸小于 的目标被认为是小目标;另一种是相对尺寸,根据国际光电工程学会定义,小目标为 的图像中成像面积小于 的目标,即目标的尺寸小于原
3、图的 则可被认为是小目标,因此研究出一个针对航拍小目标检测的算法模型成为关键的研究内容之一。目标检测从早期的传统方法到如今基于深度学习的方法,发展已有年。当前基于深度学习的目标检测算法有种:第种是以 为代表的双阶段检测算法等,利用算法生成预选框,再信号与信息处理 年 无线电工程 第 卷 第 期 使用深度卷积网络对预选框进行检测类别的分类,双阶段检测算法的精度更高,但速度过慢,不能满足实时性要求较高的场合;第种是以、以及为代表的单阶段检测算法,将检测框的定位和分类任务结合,能够快速检测出目标位置,通过适当地改进可同时具有更好的实时性与检测精度。韩玉洁等在上进行数据增强,修改激活函数,添加,修改后
4、模型精度有所提升,但模型内存占用过大。丁田等加入注意力以及,加快了模型收敛速度,增加检测准确率,但同时也增加了计算成本。肖粲俊等加入注意力机制,并引入自适应特征模块,增强了网络特征提取能力,但精度提升幅度较小且漏检率过大。目前改进方法主要通过添加模块来提升检测精度,但同时增加了计算成本。因此本文不局限于模块添加,将在网络结构上进一步改进。目前无人机航拍检测任务主要有以下难题:不同于普通目标检测,航拍所检测对象大多数是小目标,可以提取到有用的特征过少,绝大多数算法都存在对小目标检测的漏检、误检问题。现实场景中目标繁多,图片中背景复杂,常常混杂许多其他干扰性较大的目标。由于飞行高度问题,各个目标之
5、间大小不同,存在着尺度不一致的问题,导致检测效果不佳。为提高无人机航拍目标的检测精度,结合应用场景的限制,本文提出一种基于的航拍小目标改进算法。该算法主要改进与创新有:融入模块来重新构建主干网络,提升对小目标的检测精度。通过添加小目标检测层与加权双向金字塔(,)将深层语义跟浅层语义进行多尺度特征融合,解决尺度不一、特征信息利用不充分的问题。将损失函数改为 与,解决检测精度低与背景干扰过大的问题,使得算法对小目标取得更好的检测效果。算法是一种单阶段的目标检测算法,相比较前一代,它汲取了许多优秀网络结构的优点,精度更高、速度也更快,已经能够做到实时地检测目标。一共有个版本:、和四种,其网络深度和宽
6、度逐渐加大。考虑到应用场景,相比其他个版本,的网络结构最简洁,运行速度最快,计算资源消耗最少,同时也更容易移植到其他平台,本研究选择使用模型深度与宽度最浅的模型。其网络结构如图所示。图结构 信号与信息处理 模型主要包括图片输入端、网络、网络和输出层四部分。输入端会对输入的图片进行预处理。首先,对几张图片进行随机裁剪拼接,不仅可以充分利用数据集,还能提升训练速度;其次,在模型训练中,算法根据数据集自适应地计算出最佳锚点框,考虑到无人机航拍检测对象绝大部分为小目标,本文将锚框调整为,、,、,或,;最后,将图片调整到统一大小后输入到网络中。()的网络由特征提取模块、卷积模块与空间金字塔池化(,)模块
7、组成。结构分为类,如图所示。模块不再使用、的最大池化,而是通过多个的取代原有的池化层,例如个卷积操作代替一个 的卷积操作,用以提高效率。由、归一层和 激活函数组成,如图所示。图和结构 由特征金字塔网络(,)和路径聚合网络(,)构成。自上而下用来强化语义特征,自下而上用来强化位置特征,二者将不同阶段特征图进行特征融合,提高对主干网络输出特征的利用率,从而提升对小目标检测精度。输出层主要是对层的个输出进行卷积操作,并在大小为、的特征图上生成对应的预测边界框。算法具有较好的检测效果,但其平均检测精度(,)与、等主流算法相比仍有较大差距,因此,本文将从网络、网络与输出层、损失函数三方面对进行改进,力求
8、在不增加运算资源消耗的同时提高精度。网络的改进在进行航拍目标检测时,往往检测的对象过小,检测过程中容易丢失特征信息,导致检测效果不佳。因此本文加入()注意力机制,可以让算法模型集中在需要关注的区域,有效提升对小目标检测的精度。与()注意力机制使用全局池化转变成单个特征向量不同的是,将其分成了个不同方向聚合特征的编码,既可以获得空间方向的长程依赖,同时也不会缺少位置信息。结构如图所示。首先在输入端使用个池化核向水平方向和竖直方向进行池化,得到高度为,宽度为的输出。然后将输出的特征图进行融合拼接后使用大小的卷积核进行卷积,生成过渡特征图。其次,将过渡特征图分解为单独的特征图,再使用大小的卷积核进行
9、卷积,得到与输入一致的通道数量。最后使用激活函数,将结果与输入进行相乘输出,从而达到强化特征的目的。为同时确保检测网络的大小与精度,经过实验,选择在网络中将原有的一个模块替换为模块,不仅计算资源开销更低效果也更为明显,实验对比结果如图所示。图()为未更改信号与信息处理 年 无线电工程 第 卷 第 期 的检测情况,图()为将替换为的检测效果图。可以看到图片下方不仅检测出多个漏掉的行人以及摩托目标,而且准确率也有所提升。实验结果表明,加入注意力机制后,在检测小目标上模型效果得到显著提升的同时也具有较好的鲁棒性。图结构 ()未更改的检测效果()替换为的检测效果图检测效果对比 网络与输出层的改进通常来
10、讲,无人机航拍图像检测都是小目标,目标的类别以及位置尤为重要,对于较浅层分辨率较高的特征图,往往能够保留更加全面的小目标位置信息;较深层的分辨率较低的特征图,往往保留大目标特征复杂的语义信息。因此,本文在原有基础上,通过添加小目标检测层来继续上采样扩大特征图,进而增强多尺度之间的特征图的关联,让更为浅层的位置信息与深层的语义信息进一步结合,提升对小目标信息的利用率。中网络部分使用的是 结构,主要是为了解决检测小目标精度不佳的情况,通过结构将浅层特征图的位置信息进行向下的递增,再使用结构做向上的语义信息的递增,达到融合多层特征信息特征图的效果。但这种方式只能进行相同尺寸特征图之间的融合,未利用到
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 YOLOv5s 航拍 目标 检测 改进 算法 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。