【目的】提出一种基于改进YOLOv5_OBB的旋转目标检测方法,快速、准确地检测和定位中华绒螯蟹。【方法】首先,在YOLOv5_OBB的主干网络中引入高效通道注意模块;其次,采用BiFPN网络结构进行特征融合模块设计,实现高效的双向跨尺度连接和加...【目的】提出一种基于改进YOLOv5_OBB的旋转目标检测方法,快速、准确地检测和定位中华绒螯蟹。【方法】首先,在YOLOv5_OBB的主干网络中引入高效通道注意模块;其次,采用BiFPN网络结构进行特征融合模块设计,实现高效的双向跨尺度连接和加权特征融合;最后,采用变焦损失(varifocal loss)解决正负样本不均衡问题。【结果】改进后YOLOv5_OBB模型的P(precision)、R(recall)和mAP(mean average precision)分别达到95.4%、95.2%和90.1%,比原模型分别提高了1.0%、1.9%和1.3%。【结论】该模型能够实时、准确地检测和定位中华绒螯蟹,实现自动化养殖。展开更多
旋转目标检测是遥感图像处理领域中的重要任务,其存在的目标尺度变化大和目标方向任意等问题给自动目标检测带来了挑战。针对上述问题,提出了一种改进的RoI Transformer旋转目标检测框架:首先,利用RoI Transformer检测框架获取旋转的感...旋转目标检测是遥感图像处理领域中的重要任务,其存在的目标尺度变化大和目标方向任意等问题给自动目标检测带来了挑战。针对上述问题,提出了一种改进的RoI Transformer旋转目标检测框架:首先,利用RoI Transformer检测框架获取旋转的感兴趣区域特征(rotated region of interest,RRoI)用于鲁棒的几何特征提取;其次,在检测器中引入高分辨率网络(high-resolution network,HRNet)提取多分辨率特征图,在保持高分辨率特征同时适应目标的多尺度变化;最后,引入KLD(Kullback-Leibler divergence)损失,解决旋转目标表示的角度周期性的问题,提高检测方法对任意方向目标的适应性,并通过旋转目标边界框参数的联合优化提升目标定位精度。本文提出的旋转目标检测方法,即HRD-ROI Transformer(HRNet+KLD ROI Transformer),在DOTAv1.0和DIOR-R两个公开数据集上与典型的旋转目标检测方法进行了比较。结果显示:相比于传统的RoI Transformer检测框架,本文方法在DOTAv1.0和DIOR-R数据集上检测结果的mAP(mean-average-precision)分别提高了3.7%和4%。展开更多
文摘【目的】提出一种基于改进YOLOv5_OBB的旋转目标检测方法,快速、准确地检测和定位中华绒螯蟹。【方法】首先,在YOLOv5_OBB的主干网络中引入高效通道注意模块;其次,采用BiFPN网络结构进行特征融合模块设计,实现高效的双向跨尺度连接和加权特征融合;最后,采用变焦损失(varifocal loss)解决正负样本不均衡问题。【结果】改进后YOLOv5_OBB模型的P(precision)、R(recall)和mAP(mean average precision)分别达到95.4%、95.2%和90.1%,比原模型分别提高了1.0%、1.9%和1.3%。【结论】该模型能够实时、准确地检测和定位中华绒螯蟹,实现自动化养殖。
文摘旋转目标检测是遥感图像处理领域中的重要任务,其存在的目标尺度变化大和目标方向任意等问题给自动目标检测带来了挑战。针对上述问题,提出了一种改进的RoI Transformer旋转目标检测框架:首先,利用RoI Transformer检测框架获取旋转的感兴趣区域特征(rotated region of interest,RRoI)用于鲁棒的几何特征提取;其次,在检测器中引入高分辨率网络(high-resolution network,HRNet)提取多分辨率特征图,在保持高分辨率特征同时适应目标的多尺度变化;最后,引入KLD(Kullback-Leibler divergence)损失,解决旋转目标表示的角度周期性的问题,提高检测方法对任意方向目标的适应性,并通过旋转目标边界框参数的联合优化提升目标定位精度。本文提出的旋转目标检测方法,即HRD-ROI Transformer(HRNet+KLD ROI Transformer),在DOTAv1.0和DIOR-R两个公开数据集上与典型的旋转目标检测方法进行了比较。结果显示:相比于传统的RoI Transformer检测框架,本文方法在DOTAv1.0和DIOR-R数据集上检测结果的mAP(mean-average-precision)分别提高了3.7%和4%。
