在林业管理中,及时发现火灾并识别其规模对于安全防护和治理火灾至关重要。针对现有火灾检测算法存在的精度低、漏检误检和实时性不足等问题,提出一种无人机航拍图像下火灾实时检测算法——MDSYOLOv8。以YOLOv8为基线算法,将骨干网络第...在林业管理中,及时发现火灾并识别其规模对于安全防护和治理火灾至关重要。针对现有火灾检测算法存在的精度低、漏检误检和实时性不足等问题,提出一种无人机航拍图像下火灾实时检测算法——MDSYOLOv8。以YOLOv8为基线算法,将骨干网络第7层卷积模块和颈部网络卷积模块替换成动态蛇形卷积(DSConv),提高算法的特征提取性能,并强化算法对微小特征的学习能力;然后在颈部与检测头之间添加多维协作注意力机制(MCA),加强颈部特征融合,增强算法对小目标的检测能力,并抑制无关背景信息;最后使用SIoU损失函数替换原YOLOv8中的CIoU损失函数,加快算法的收敛速度和回归精度。实验结果表明,MDSYOLOv8在公开数据集KMU上对烟雾目标的检测精度mAP达到95.89%,相较于基线YOLOv8提高了3.33个百分点,具有卓越的检测性能。此外,本研究采集互联网上的无人机航拍火灾图像制作UFF(UAV field fire)数据集,主要对象为火焰和烟雾,包含森林和城市等火灾隐患可能发生场景。在自制数据集UFF上进行深度实验分析,MDSYOLOv8的检测精度达到93.98%,检测速度为54帧/s,并且能同时识别烟雾和火焰两种火灾场景中的主要目标,与主流目标检测方法相比,在检测精度和效率方面均展现出明显优势,更加契合航拍场景下的火灾检测应用。展开更多
针对目前遥感图像小目标检测任务中易出现漏检和误检的问题,提出一种SCS-YOLO[SMCA+CSC+SIoU(shape-aware intersection over union loss)-you only look once]的遥感图像小目标检测算法。首先,针对遥感图像中目标小而聚集的问题,构建...针对目前遥感图像小目标检测任务中易出现漏检和误检的问题,提出一种SCS-YOLO[SMCA+CSC+SIoU(shape-aware intersection over union loss)-you only look once]的遥感图像小目标检测算法。首先,针对遥感图像中目标小而聚集的问题,构建空间多尺度卷积注意力(spatial multi-scale convolutional attention,SMCA),提升模型对空间和通道信息的特征提取能力;其次,针对深层网络传递时小目标语义信息容易丢失的问题,设计聚合亚像素卷积(concentrated sub-pixel convolution,CSC),采用多尺度聚合特征提取方法,增强了网络对语义信息的提取能力;最后,将SIoU损失函数替代原模型中的CIoU(complete intersection over union loss)损失函数,加快了网络的收敛速度。SCS-YOLO模型在RSOD和NWPU VHR-10数据集上,平均精确率的平均值(mAP)分别达到97%和90.9%,相较于原模型分别提升了2.2%和2.7%,可见该方法在遥感图像小目标检测任务中的有效性。展开更多
[目的]针对日常交通驾驶过程中交通标志检测的漏检、误检以及模型体积较大等问题,提出一种空间信息聚合网络EDR-YOLOv8算法.[方法]通过增强边缘信息、多尺度上下文语义信息的捕获以及浅层与深层特征的再融合,完成空间信息的聚合.为保留...[目的]针对日常交通驾驶过程中交通标志检测的漏检、误检以及模型体积较大等问题,提出一种空间信息聚合网络EDR-YOLOv8算法.[方法]通过增强边缘信息、多尺度上下文语义信息的捕获以及浅层与深层特征的再融合,完成空间信息的聚合.为保留较多的交通标志边缘特征,提出结合Sobel算子的边缘检测模块;为捕捉更多的多尺度上下文语义信息,设计膨胀残差修复块,并将其集成到C2f(faster implementation of CSP bottleneck with 2 convolutions)中得到多尺度感知模块DRRC;为加强高、低层信息交互并重新校准目标位置,推出重校准内容引导金字塔网络.通过对锚框与真实框不匹配方向的考虑和更关注普通质量的锚框,设计Wise-SIoU.[结果]在TT100K数据集上,P、交并比阈值0.50的平均精度均值、交并比阈值在[0.50,0.95]区间的平均精度均值分别提升12.5%、8.9%、10.3%,且参数量下降了23%.[结论]本文方法相较原模型及其他算法,表现出了精度较高和参数量较少的优点,改善了漏检和误检问题,并有利于边缘设备的部署.展开更多
文摘在林业管理中,及时发现火灾并识别其规模对于安全防护和治理火灾至关重要。针对现有火灾检测算法存在的精度低、漏检误检和实时性不足等问题,提出一种无人机航拍图像下火灾实时检测算法——MDSYOLOv8。以YOLOv8为基线算法,将骨干网络第7层卷积模块和颈部网络卷积模块替换成动态蛇形卷积(DSConv),提高算法的特征提取性能,并强化算法对微小特征的学习能力;然后在颈部与检测头之间添加多维协作注意力机制(MCA),加强颈部特征融合,增强算法对小目标的检测能力,并抑制无关背景信息;最后使用SIoU损失函数替换原YOLOv8中的CIoU损失函数,加快算法的收敛速度和回归精度。实验结果表明,MDSYOLOv8在公开数据集KMU上对烟雾目标的检测精度mAP达到95.89%,相较于基线YOLOv8提高了3.33个百分点,具有卓越的检测性能。此外,本研究采集互联网上的无人机航拍火灾图像制作UFF(UAV field fire)数据集,主要对象为火焰和烟雾,包含森林和城市等火灾隐患可能发生场景。在自制数据集UFF上进行深度实验分析,MDSYOLOv8的检测精度达到93.98%,检测速度为54帧/s,并且能同时识别烟雾和火焰两种火灾场景中的主要目标,与主流目标检测方法相比,在检测精度和效率方面均展现出明显优势,更加契合航拍场景下的火灾检测应用。
文摘针对目前遥感图像小目标检测任务中易出现漏检和误检的问题,提出一种SCS-YOLO[SMCA+CSC+SIoU(shape-aware intersection over union loss)-you only look once]的遥感图像小目标检测算法。首先,针对遥感图像中目标小而聚集的问题,构建空间多尺度卷积注意力(spatial multi-scale convolutional attention,SMCA),提升模型对空间和通道信息的特征提取能力;其次,针对深层网络传递时小目标语义信息容易丢失的问题,设计聚合亚像素卷积(concentrated sub-pixel convolution,CSC),采用多尺度聚合特征提取方法,增强了网络对语义信息的提取能力;最后,将SIoU损失函数替代原模型中的CIoU(complete intersection over union loss)损失函数,加快了网络的收敛速度。SCS-YOLO模型在RSOD和NWPU VHR-10数据集上,平均精确率的平均值(mAP)分别达到97%和90.9%,相较于原模型分别提升了2.2%和2.7%,可见该方法在遥感图像小目标检测任务中的有效性。
文摘[目的]针对日常交通驾驶过程中交通标志检测的漏检、误检以及模型体积较大等问题,提出一种空间信息聚合网络EDR-YOLOv8算法.[方法]通过增强边缘信息、多尺度上下文语义信息的捕获以及浅层与深层特征的再融合,完成空间信息的聚合.为保留较多的交通标志边缘特征,提出结合Sobel算子的边缘检测模块;为捕捉更多的多尺度上下文语义信息,设计膨胀残差修复块,并将其集成到C2f(faster implementation of CSP bottleneck with 2 convolutions)中得到多尺度感知模块DRRC;为加强高、低层信息交互并重新校准目标位置,推出重校准内容引导金字塔网络.通过对锚框与真实框不匹配方向的考虑和更关注普通质量的锚框,设计Wise-SIoU.[结果]在TT100K数据集上,P、交并比阈值0.50的平均精度均值、交并比阈值在[0.50,0.95]区间的平均精度均值分别提升12.5%、8.9%、10.3%,且参数量下降了23%.[结论]本文方法相较原模型及其他算法,表现出了精度较高和参数量较少的优点,改善了漏检和误检问题,并有利于边缘设备的部署.
