针对户外导盲场景中道路目标检测存在的复杂背景干扰及关键语义信息需求,当前目标检测算法在道路目标检测中表现出较低的准确性以及容易出现漏检的问题,为此提出一种基于YOLOv8n的道路目标检测算法OD-YOLO。基于FasterNet和SPPF构建主...针对户外导盲场景中道路目标检测存在的复杂背景干扰及关键语义信息需求,当前目标检测算法在道路目标检测中表现出较低的准确性以及容易出现漏检的问题,为此提出一种基于YOLOv8n的道路目标检测算法OD-YOLO。基于FasterNet和SPPF构建主干网络;使用FasterNet以增强特征提取能力,在SPPF模块中引入可分离大核注意力机制(large separable kernel attention,LSKA)以提高算法对道路目标整体的感知能力。提出一种新的C2f模块GAC2f,在减小模型计算量的同时提高其特征捕获能力,同时通过使用多样分支模块(diverse branch block,DBB)中结构重参数化思想优化GAC2f,在不损失模型性能的前提下,融合多种特征信息以显著提高模型精度,另一方面使用卷积门控线性单元(convolutional gated linear unit,Convolutional GLU)改进LarK中的大核卷积以优化GAC2f,使模型能够捕获更多上下文信息。提出一种轻量级非对称检测头PADH,在提高模型性能的同时减少参数量,并使用PIoUv2改进原有的损失函数,通过基于层自适应稀疏度的量级剪枝(layer-adaptive sparsity for the magnitude-based pruning,LAMP)操作进一步优化算法模型。实验结果表明,在公共人行道路目标数据集WOTR上,OD-YOLO与YOLOv8n相比,经过剪枝后模型参数量同为3×10^(6),但mAP@0.5、mAP@0.5:0.95分别提升3.4和4.1个百分点,证明算法OD-YOLO在面向户外导盲场景的道路目标检测中可以达到预期的效果。展开更多
针对红外船舶图像目标特征模糊、背景复杂以及小目标漏检等问题,基于YOLOv8提出一种面向海上交通中船舶目标的检测算法YOLO-IST(YOLO for infrared ship target)。在基线模型的骨干网络中引入C2f_DBB模块和CPCA注意力机制,通过增加特征...针对红外船舶图像目标特征模糊、背景复杂以及小目标漏检等问题,基于YOLOv8提出一种面向海上交通中船舶目标的检测算法YOLO-IST(YOLO for infrared ship target)。在基线模型的骨干网络中引入C2f_DBB模块和CPCA注意力机制,通过增加特征提取层来提升模型对目标的识别能力;利用C2f_Faster_EMA模块替换颈部网络中的C2f模块,以提升模型检测精度和速度;采用多重注意力的动态检测头Dynamic Head优化模型框架,增强模型对小船舶目标的检测效果。研究结果表明:YOLO-IST的召回率R_(ecall)、精确率P_(recision)、平均精度M_(ap@50)、平均精度M_(ap@50-95)和F_(1score)分别达到89.7%、90.5%、94.7%、66.6%、90.1%,较基线模型YOLOv8分别提升了4.5%、3.8%、4.4%、4.7%、4.2%。该模型的提出在海上智能交通中具有较广泛的应用前景。展开更多
针对雨雾等复杂天气下无人机图像质量下降导致目标检测效果不佳的问题,提出基于上下文引导和提示学习的目标检测算法CGP-YOLO(context-guided and prompt-based YOLOv8)。构建一个多任务联合学习的检测网络,通过双分支结构达到平衡图像...针对雨雾等复杂天气下无人机图像质量下降导致目标检测效果不佳的问题,提出基于上下文引导和提示学习的目标检测算法CGP-YOLO(context-guided and prompt-based YOLOv8)。构建一个多任务联合学习的检测网络,通过双分支结构达到平衡图像检测和恢复的任务。提出基于提示学习的跨层注意力加权图像去噪分支,指导网络利用退化提示重构清晰的图像;模型主干设计基于上下文的残差采样模块,集成卷积注意力机制,综合目标的局部和全局信息;采用可分离大核多尺度特征提取模块,处理网络多尺度特征;引入小目标的专用检测头,增强小目标的检测精度。实验结果表明,在参数量仅为基线模型60%的情况下,该模型的检测精度提高了2.4个百分点,平均精度(mAP)提高了2.04个百分点,模型检测效果优于其他经典模型,具备卓越的性能。展开更多
文摘针对户外导盲场景中道路目标检测存在的复杂背景干扰及关键语义信息需求,当前目标检测算法在道路目标检测中表现出较低的准确性以及容易出现漏检的问题,为此提出一种基于YOLOv8n的道路目标检测算法OD-YOLO。基于FasterNet和SPPF构建主干网络;使用FasterNet以增强特征提取能力,在SPPF模块中引入可分离大核注意力机制(large separable kernel attention,LSKA)以提高算法对道路目标整体的感知能力。提出一种新的C2f模块GAC2f,在减小模型计算量的同时提高其特征捕获能力,同时通过使用多样分支模块(diverse branch block,DBB)中结构重参数化思想优化GAC2f,在不损失模型性能的前提下,融合多种特征信息以显著提高模型精度,另一方面使用卷积门控线性单元(convolutional gated linear unit,Convolutional GLU)改进LarK中的大核卷积以优化GAC2f,使模型能够捕获更多上下文信息。提出一种轻量级非对称检测头PADH,在提高模型性能的同时减少参数量,并使用PIoUv2改进原有的损失函数,通过基于层自适应稀疏度的量级剪枝(layer-adaptive sparsity for the magnitude-based pruning,LAMP)操作进一步优化算法模型。实验结果表明,在公共人行道路目标数据集WOTR上,OD-YOLO与YOLOv8n相比,经过剪枝后模型参数量同为3×10^(6),但mAP@0.5、mAP@0.5:0.95分别提升3.4和4.1个百分点,证明算法OD-YOLO在面向户外导盲场景的道路目标检测中可以达到预期的效果。
文摘针对雨雾等复杂天气下无人机图像质量下降导致目标检测效果不佳的问题,提出基于上下文引导和提示学习的目标检测算法CGP-YOLO(context-guided and prompt-based YOLOv8)。构建一个多任务联合学习的检测网络,通过双分支结构达到平衡图像检测和恢复的任务。提出基于提示学习的跨层注意力加权图像去噪分支,指导网络利用退化提示重构清晰的图像;模型主干设计基于上下文的残差采样模块,集成卷积注意力机制,综合目标的局部和全局信息;采用可分离大核多尺度特征提取模块,处理网络多尺度特征;引入小目标的专用检测头,增强小目标的检测精度。实验结果表明,在参数量仅为基线模型60%的情况下,该模型的检测精度提高了2.4个百分点,平均精度(mAP)提高了2.04个百分点,模型检测效果优于其他经典模型,具备卓越的性能。
