摘要：目前目标检测技术虽然已经趋于成熟,但是对遥感图像的检测仍存在不少挑战。针对遥感图像的背景复杂、目标尺度差异大、目标方向任意等特点造成目标检测精度低下的问题,提出一种基于改进YOLOv5的遥感图像目标检测算法。首先,构建一种联合注意力的多尺度特征增强网络,充分融合高低层特征,使特征层具有语义信息的同时包含丰富的细节信息,并在融合过程中利用设计的特征聚焦模块帮助模型选择关键特征,抑制无关信息。其次,使用感受野模块(RFB)对融合后的特征图进行更新,扩大特征图的感受野,减少特征信息损失。最后,对目标增加旋转角度,并采用圆形平滑标签将回归问题转化成分类问题,提高遥感目标定位的准确性。在用于航拍图像目标检测的大规模数据集(DOTA)上的实验结果表明,与YOLOv5算法相比,所提算法的交并比(Io U)为0.5和0.5~0.95时的平均精度均值(m AP@0.5和m AP@0.5∶0.95)分别提高了7.3和3.3个百分点,能够明显提高复杂背景下遥感图像目标的检测精度,并改善对遥感目标的漏检和误检情况。

摘要：针对使用无人机进行绝缘子识别实时性的要求,以感受野模块(RFB)网络为基础,提出了一种基于RFB模型改进的轻量型架构。使用MobileNetV3网络作为特征提取主干,设计了新的感受野模块RFB-X,并使用Focal-loss损失函数解决正负样本不平衡问题。实验结果表明,该模型提高了绝缘子的检测速度和准确率。

摘要：小尺度行人目标包含像素点较少,能够被提取的特征有限,通过现有的目标检测算法实时有效地检测小尺度行人目标仍是一个挑战。针对现有行人检测算法结构复杂、参数多以及对小目标漏检率高的问题,在YOLOv4基础上先引入深度分离卷积,显著降低模型的参数量和计算量,在网络中引入通道注意力机制,加强重要通道特征对网络的影响;在骨干网络中设计了特征融合模块,有效提取目标语义信息与位置信息,在检测头部中引入了感受野模块模拟人类感受野,从而加强网络特征提取能力。在Caltech数据集进行训练验证,提出YOLO-DSRF算法,相较于YOLOv4参数量降低了65.2%,在GPU上运行速度提升了20%,AP大致相同,能够在保证精度的同时有效降低模型复杂度,从而提升运行速度。