文献类型：期刊文章

作　　者：何宇豪[1] 易明发[1] 周先存[2] 王冠凌[1]

HE Yuhao;YI Mingfa;ZHOU Xiancun;WANG Guanling(College of Electrical Engineering,Anhui Polytechnic University,Wuhu 241000,China;The Department of Electronic and Information Engineering,West Anhui University,Lu’an 237012,China)

机构地区：[1]安徽工程大学电气工程学院,安徽芜湖241000 [2]皖西学院电子与信息工程学院,安徽六安237012

出　　处：《智能系统学报》

基　　金：国家自然科学基金项目(61572366);安徽高校自然科学研究重大项目(J2021ZD0116);皖江高端装备制造协同创新中心开放基金项目(GCKJ2018013).

年　　份：2024

卷　　号：19

期　　号：3

起止页码：635-645

语　　种：中文

收录情况：BDHX、BDHX2023、CSCD、CSCD2023_2024、INSPEC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：为了解决无人机航拍图像小目标检测算法检测速度与精度无法兼顾的问题,在Yolov5的基础上,提出了针对于无人机图像小目标检测的Yolov5_GBCS算法。在新的算法中,添加一个额外的检测头,以便增强对小目标的特征融合效果;在主干网络中分别采用GhostConv卷积模块、GhostBottleneckC3模块替换部分Conv模块和C3模块用以提取丰富特征和冗余特征以提高模型效率;引入加权双向特征金字塔网络(bidirectional feature pyramid network,BiFPN)结构,用以提高对小目标的检测精度;在主干网络和颈部网络中引入轻量化的卷积块注意力模块(convolutional block attention module,CBAM),关注重要特征并抑制不必要的特征,增强小目标特征表达能力;使用Soft-NMS算法来替换NMS,因此降低了小目标在密集场景下的漏检率。通过在VisDrone2019数据集上的实验结果表明,集成了所有改进的方法后的Yolov5_GBCS算法,不仅提高了检测精度,而且有效地提高了检测速度,模型的mAP从38.5%提高到43.2%,检测速度也从53 f/s提高到59 f/s。Yolov5_GBCS算法可以有效地实现无人机航拍图像中小目标识别。

关 键 词：图像处理  GhostConv卷积模块  双向特征金字塔网络  卷积块注意力模块  Soft双向特征金字塔网络  轻量化模型 小目标检测 VisDrone数据集  

分 类 号：TP391.4] V19[计算机类]