摘要：针对常规目标检测算法在无人机小目标检测任务上特征提取难度大而导致检测精度低的问题,提出一种基于分块复合注意力的无人机小目标检测算法。首先,提出一种即插即用的分块复合注意力模块(PWCA),输入特征在空间维度切分成局部特征块,在局部特征块上提取通道注意力权重,加强通道信息在局部空间特征上的区分度,提高网络细粒度以适应小目标检测场景,然后融合输入特征与聚焦后的特征,并进一步挖掘空间注意力,关注网络中有效特征信息。其次,抛弃基线网络基于跨步卷积的下采样形式,结合PWCA提出自适应交错下采样模块(AID),根据重要程度自适应地分配下采样后的特征权重,减少下采样过程中小目标的信息损失。最后,对主干及特征融合网络进行轻量化设计,减少计算量并新增针对小目标的大尺寸特征图检测分支,优化了特征图的流动方向,丰富不同尺度特征图的语义信息,增强特征的表达能力,并保证实时性。针对性地采用Soft-NMS算法解决目标遮挡重叠时的漏检问题,提升检测效果。在公开数据集VisDrone2019上验证改进算法的有效性,与YOLOv5s目标检测算法相比,改进后算法最终的mAP0.5比YOLOv5s基线算法提升了11.81%,mAP0.5:0.95提升了10.91%,模型参数减少59%,网络在无人机小目标检测任务上能够较好地兼顾检测精度与推理速度,具有较大的实用意义。

摘要：为满足导弹武器对空中目标高效毁伤的需求,针对基于深度学习的算法对空中目标部位分割速度慢、准确率低的问题,提出一种基于改进YOLOv5的空中目标部位分割算法。将YOLOv5的检测头替换为类似YOLACT算法的分割头,使其能够完成实例分割任务;对网络进行剪枝,在不影响精度的前提下获得更快的推理速度;在Backbone网络中应用可变形卷积、增加坐标注意力机制(coordinate attention,CA)模块,丰富目标的多尺度空间及语义信息,进一步提升算法的局部特征提取能力;基于Ghost卷积设计C3_Ghost模块,替换YOLOv5原算法Neck部分的C3模块,显著降低算法计算量,并保证算法精度不受太大影响。对比与消融实验表明,所提方法与改进策略能有效降低计算量,在保证实时性的同时,算法精度也有所提升。