文献类型：期刊文章

作　　者：吴明杰[1,2] 云利军[1,2] 陈载清[1,2] 钟天泽[1,2]

WU Mingjie;YUN Lijun;CHEN Zaiqing;ZHONG Tianze(School of Information,Yunnan Normal University,Kunming 650500,China;Yunnan Provincial Department of Education Computer Vision and Intelligent Control Technology Engineering Research Center,Kunming 650500,China)

机构地区：[1]云南师范大学信息学院,昆明650500 [2]云南省教育厅计算机视觉与智能控制技术工程研究中心,昆明650500

出　　处：《计算机工程与应用》

基　　金：云南省教育厅科学研究基金(2023Y0533)。

年　　份：2024

卷　　号：60

期　　号：2

起止页码：191-199

语　　种：中文

收录情况：AJ、BDHX、BDHX2023、CSCD、CSCD_E2023_2024、INSPEC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：针对无人机飞行时与目标距离较远,被拍摄的目标大小有明显的差异且存在被物体遮挡等问题,提出一种基于YOLOv5s的无人机视角下小目标检测改进算法BD-YOLO。在特征融合网络中采用双层路由注意力(bi-level routing attention,BRA),其以动态稀疏的方式过滤特征图中最不相关的特征,保留部分重要区域特征,从而提高模型特征提取的能力;由于特征图经过多次下采样后会丢失大量位置信息和特征信息,因此采用一种结合注意力机制的动态目标检测头DyHead(dynamic head),该检测头通过尺度感知、空间感知和任务感知的三者统一,以实现更强的特征表达能力;使用Focal-EIoU损失函数,来解决YOLOv5s中CIoU Loss计算回归结果不准确的问题,从而提高模型对小型目标的检测精度。实验结果表明,在VisDrone2019-DET数据集上,BD-YOLO模型较YOLOv5s模型在平均精度(mAP@0.5)指标上提高了0.062,对比其他主流模型对于小目标的检测都有更好的效果。

关 键 词：无人机视角  YOLOv5s  小目标  注意力机制  损失函数

分 类 号：TP391]