摘要：针对无人机航拍视角下图像目标特征尺寸小且存在背景复杂、分布密集的问题,提出了一种基于yolov5的轻量化无人机航拍小目标检测改进算法GA-YOLO。该算法改进了Mosaic数据增强方法和网络整体结构,并增加了微小物体检测头,同时设计了轻量化的全局注意力模块和并行结构的空间通道注意力机制模块,提高了网络的全局特征提取能力和训练过程中卷积通道之间的竞争和合作关系。以4.0版本的yolov5s为基准,在公开无人机航拍数据集Vis Drone2019-DET上实验,结果表明,改进后的模型相较于原模型,参数量下降了48%,计算量下降了26%,而m AP@0.5提高了4.9个百分点,m AP@0.5:0.95提高了3.3个百分点,有效地提高了无人机空中视角下对密集型小目标的检测能力。

摘要：为了进一步提高在背景复杂且目标距离远的情况下交通标志识别算法的识别准确率,在yolov5s算法的基础上提出了一种改进的交通标志识别算法MAFM-YOLO。首先,在颈部网络设计了基于空洞混合注意力机制的多尺度注意力特征融合模块,使网络在特征融合阶段能够高效保留图像中的细节信息,对小目标更加的敏感。其次,在回归阶段采用归一化Wasserstein距离改进原有的损失函数,提高了边界框的回归性能,从而进一步提高网络的识别性能。在TT100K数据集上的实验结果表明,MAFM-YOLO较基准模型在精确率、召回率和平均精度均值上分别实现了9.4%、3.3%、6.3%的提升。