在空对地场景下的目标检测领域中,传统的单阶段检测算法由于固定尺寸的输入,在对大分辨率图像检测时效果较差,尤其当图像中存在较多密集小目标时,漏检现象严重。因此,模仿人眼的目标搜索行为,提出了一种密集场景聚焦的双通道耦合目标检...在空对地场景下的目标检测领域中,传统的单阶段检测算法由于固定尺寸的输入,在对大分辨率图像检测时效果较差,尤其当图像中存在较多密集小目标时,漏检现象严重。因此,模仿人眼的目标搜索行为,提出了一种密集场景聚焦的双通道耦合目标检测算法。算法在You Only Look Once V3(Yolo V3)网络的基础上,增加了密集场景检测通道,对图像中的密集区域进行检测,建立场景耦合结构,将密集场景通道的特征信息与目标实例检测通道的信息进行融合,对检测难度较大的密集区域进行变分辨率检测,以提升对密集小目标的检测精度。在自制空对地密集场景数据集下验证,结果表明,该算法对密集小目标的检测有更好的效果,相比于传统的Yolo V3网络,在检测速度下降9.1帧/s的情况下,平均精度上提升了16.4%。展开更多
针对无人机航拍图像中背景丰富,多个小目标聚集导致的误检、漏检,以及置信度不高等问题,本文提出一种改进YOLOX(You Only Look Once X)的目标检测算法。首先,设计一种提取高频特征信息的注意力机制(LE-MSA),避免小目标特征消失在冗余信...针对无人机航拍图像中背景丰富,多个小目标聚集导致的误检、漏检,以及置信度不高等问题,本文提出一种改进YOLOX(You Only Look Once X)的目标检测算法。首先,设计一种提取高频特征信息的注意力机制(LE-MSA),避免小目标特征消失在冗余信息中;其次,为防止样本类别不均衡导致检测效果差的问题,引入VarifocalLoss损失函数,与BCEWithLogitsLoss损失函数共同参与分类准确度和目标框定位精度的提升;最后,提出一种包含自适应小目标增强和区域增强方法在内的多策略数据增强方法,提高模型的泛化能力。试验结果表明,LE-YOLOX算法表现出良好的检测能力,其检测精度达到90.78%,优于Faster R-CNN(71.30%)、YOLOv5(88.15%)、YOLOv8(87.63%)、YOLOv10(86.1%)和YOLOX(87.82%);同时,改进YOLOX在实际检测时能够有效解决无人机航拍图像下密集小目标的误检和漏检问题,具有较强的小目标识别和密集目标处理能力。展开更多
针对YOLOv5(you only look once version five)模型在农作物害虫密集目标上的检测效果无法满足实际需求,以及训练过程中模型收敛速度较慢等问题,该研究提出了融入全局响应归一化(global response normalization,GRN)注意力机制的YOLOv5...针对YOLOv5(you only look once version five)模型在农作物害虫密集目标上的检测效果无法满足实际需求,以及训练过程中模型收敛速度较慢等问题,该研究提出了融入全局响应归一化(global response normalization,GRN)注意力机制的YOLOv5农作物害虫识别模型(YOLOv5-GRNS)。设计了融入GRN注意力机制的编码器(convolution three,C3)模块,提高对密集目标的识别精度;利用形状交并比(shape intersection over union,SIoU)损失函数提高模型收敛速度和识别精度;在公开数据集IP102(insect pests 102)的基础上,筛选出危害陕西省主要农作物的8种害虫类型,构建了新数据集IP8-CW(insect pests eight for corn and wheat)。改进后的模型在新IP8-CW和完整的IP102两种数据集上进行了全面验证。对于IP8-CW,全类别平均准确率(mean average precision,mAP)mAP@.5和mAP@.5:.95分别达到了72.3%和47.0%。该研究还对YOLOv5-GRNS模型进行了类激活图分析,不仅从识别精度,而且从可解释性的角度,验证了对农作物害虫、尤其是密集目标的优秀识别效果。此外,模型还兼具参数量少、运算量低的优势,具有良好的嵌入式设备应用前景。展开更多
文摘在空对地场景下的目标检测领域中,传统的单阶段检测算法由于固定尺寸的输入,在对大分辨率图像检测时效果较差,尤其当图像中存在较多密集小目标时,漏检现象严重。因此,模仿人眼的目标搜索行为,提出了一种密集场景聚焦的双通道耦合目标检测算法。算法在You Only Look Once V3(Yolo V3)网络的基础上,增加了密集场景检测通道,对图像中的密集区域进行检测,建立场景耦合结构,将密集场景通道的特征信息与目标实例检测通道的信息进行融合,对检测难度较大的密集区域进行变分辨率检测,以提升对密集小目标的检测精度。在自制空对地密集场景数据集下验证,结果表明,该算法对密集小目标的检测有更好的效果,相比于传统的Yolo V3网络,在检测速度下降9.1帧/s的情况下,平均精度上提升了16.4%。
文摘针对无人机航拍图像中背景丰富,多个小目标聚集导致的误检、漏检,以及置信度不高等问题,本文提出一种改进YOLOX(You Only Look Once X)的目标检测算法。首先,设计一种提取高频特征信息的注意力机制(LE-MSA),避免小目标特征消失在冗余信息中;其次,为防止样本类别不均衡导致检测效果差的问题,引入VarifocalLoss损失函数,与BCEWithLogitsLoss损失函数共同参与分类准确度和目标框定位精度的提升;最后,提出一种包含自适应小目标增强和区域增强方法在内的多策略数据增强方法,提高模型的泛化能力。试验结果表明,LE-YOLOX算法表现出良好的检测能力,其检测精度达到90.78%,优于Faster R-CNN(71.30%)、YOLOv5(88.15%)、YOLOv8(87.63%)、YOLOv10(86.1%)和YOLOX(87.82%);同时,改进YOLOX在实际检测时能够有效解决无人机航拍图像下密集小目标的误检和漏检问题,具有较强的小目标识别和密集目标处理能力。
文摘针对YOLOv5(you only look once version five)模型在农作物害虫密集目标上的检测效果无法满足实际需求,以及训练过程中模型收敛速度较慢等问题,该研究提出了融入全局响应归一化(global response normalization,GRN)注意力机制的YOLOv5农作物害虫识别模型(YOLOv5-GRNS)。设计了融入GRN注意力机制的编码器(convolution three,C3)模块,提高对密集目标的识别精度;利用形状交并比(shape intersection over union,SIoU)损失函数提高模型收敛速度和识别精度;在公开数据集IP102(insect pests 102)的基础上,筛选出危害陕西省主要农作物的8种害虫类型,构建了新数据集IP8-CW(insect pests eight for corn and wheat)。改进后的模型在新IP8-CW和完整的IP102两种数据集上进行了全面验证。对于IP8-CW,全类别平均准确率(mean average precision,mAP)mAP@.5和mAP@.5:.95分别达到了72.3%和47.0%。该研究还对YOLOv5-GRNS模型进行了类激活图分析,不仅从识别精度,而且从可解释性的角度,验证了对农作物害虫、尤其是密集目标的优秀识别效果。此外,模型还兼具参数量少、运算量低的优势,具有良好的嵌入式设备应用前景。
