文献类型：期刊文章

作　　者：史涛[1] 崔杰[1] 李松[2]

SHI Tao;CUI Jie;LI Song(School of Electrical Engineering and Automation,Tianjin University of Technology,Tianjin 300384,China 2.College of Electrical Engineering,North China University of Science and Technology,Tangshan,Hebei 063210,China)

机构地区：[1]天津理工大学电气工程与自动化学院,天津300384 [2]华北理工大学电气工程学院,河北唐山063210

出　　处：《计算机工程与应用》

基　　金：国家自然科学基金(61203343)。

年　　份：2024

卷　　号：60

期　　号：9

起止页码：79-89

语　　种：中文

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

摘　　要：针对现有无人机车辆检测算法精度低、易受背景环境干扰、难以检测微小目标车辆问题,提出了一种改进YOLOv8的无人机车辆检测算法YOLOv8-CX。结合Deformable Convolutional Networks v1-3的优点,提出一种能够灵活采样特征的C2f-DCN模块,以更好地提取不同尺寸大小车辆之间的特征。利用Large Separable Kernel Attention的思想,提出了具有长程依赖性和自适应能力的SPPF-LSKA模块,可以有效减少背景对于车辆检测的干扰。在颈部网络,采用CF-FPN(ment network for tiny object deteciton)特征融合结构,通过结合上下文信息和抑制不同尺度特征之间的冲突信息,提升了对小目标的检测精度。最后,将原始YOLOv8的头部替换为Dynamic Head检测头。通过将尺度、空间和任务三种注意力机制结合统一,进一步提升了模型的检测性能。实验结果表明,在Mapsai数据集上,改进算法与原算法相比准确率(P)、召回率(R)、平均精度(mAP)分别提升了8.5、11.2和6.2个百分点,且算法检测速度达到72.6 FPS,满足无人机车辆检测实时性的要求。通过与其他主流目标检测算法比较,验证了该方法的有效性和卓越性。

关 键 词：无人机车辆检测  YOLOv8  可变形卷积  注意力机制  特征融合  

分 类 号：TP391.4]