针对无人机航拍具有多角度、大视角、大规模场景的特点,使无人机航拍图像存在小目标对象较多、背景复杂和特征提取困难的问题,提出了一种新的模型CA-NWD-YOLOv5(Coordinate Attention-Normalized Wasserstein Distance-You Only Look On...针对无人机航拍具有多角度、大视角、大规模场景的特点,使无人机航拍图像存在小目标对象较多、背景复杂和特征提取困难的问题,提出了一种新的模型CA-NWD-YOLOv5(Coordinate Attention-Normalized Wasserstein Distance-You Only Look Once v5)。该模型以YOLOv5模型为基础,在头部网络添加了多尺度检测层以提取小目标特征,同时在骨干网络加入了CA注意力机制,避免模型忽略目标的位置信息。最后,使用归一化Wasserstein距离损失函数代替基于交并比的损失函数,加强了模型对微小目标的敏感程度。在VisDrone2019数据集上的实验表明,相比改进前的YOLOv5模型,CA-NWD-YOLOv5模型可有效提升无人机航拍图像中小目标的检测精度,改进后算法的mAP_0.5达到了50%,可以有效应用于航拍小目标的检测。展开更多
由于跟踪过程目标不规则形变的影响,采用固定纵横比的尺度模型无法精确地估计目标的尺度.为解决该问题,本文提出基于纵横比自适应的相关滤波跟踪算法.基于fDSST(fast Discriminative Scale Space Tracking)算法,训练学习纵横比模型,更...由于跟踪过程目标不规则形变的影响,采用固定纵横比的尺度模型无法精确地估计目标的尺度.为解决该问题,本文提出基于纵横比自适应的相关滤波跟踪算法.基于fDSST(fast Discriminative Scale Space Tracking)算法,训练学习纵横比模型,更新目标的纵横比,获取更精确的目标尺度.在此基础上,本文设计了平滑修正方案以及学习率自适应机制,可以有效地缓解因目标出现遮挡导致的模型漂移问题.在OTB100、VOT2016和VOT2018数据集上与其他跟踪算法进行对比实验,结果表明本文算法改善了基准算法的性能,特别是在OTB100上的总体准确率和成功率比fDSST提高了9.6%和6.2%.展开更多
文摘针对无人机航拍具有多角度、大视角、大规模场景的特点,使无人机航拍图像存在小目标对象较多、背景复杂和特征提取困难的问题,提出了一种新的模型CA-NWD-YOLOv5(Coordinate Attention-Normalized Wasserstein Distance-You Only Look Once v5)。该模型以YOLOv5模型为基础,在头部网络添加了多尺度检测层以提取小目标特征,同时在骨干网络加入了CA注意力机制,避免模型忽略目标的位置信息。最后,使用归一化Wasserstein距离损失函数代替基于交并比的损失函数,加强了模型对微小目标的敏感程度。在VisDrone2019数据集上的实验表明,相比改进前的YOLOv5模型,CA-NWD-YOLOv5模型可有效提升无人机航拍图像中小目标的检测精度,改进后算法的mAP_0.5达到了50%,可以有效应用于航拍小目标的检测。
文摘由于跟踪过程目标不规则形变的影响,采用固定纵横比的尺度模型无法精确地估计目标的尺度.为解决该问题,本文提出基于纵横比自适应的相关滤波跟踪算法.基于fDSST(fast Discriminative Scale Space Tracking)算法,训练学习纵横比模型,更新目标的纵横比,获取更精确的目标尺度.在此基础上,本文设计了平滑修正方案以及学习率自适应机制,可以有效地缓解因目标出现遮挡导致的模型漂移问题.在OTB100、VOT2016和VOT2018数据集上与其他跟踪算法进行对比实验,结果表明本文算法改善了基准算法的性能,特别是在OTB100上的总体准确率和成功率比fDSST提高了9.6%和6.2%.
