-
题名面向高空视角小目标检测的YOLO算法改进策略
被引量：1
- 1
-
-
作者
曹嘉禹
乔贵方
陈梦源
邹旭
刘娣
-
机构
南京工程学院自动化学院
-
出处
《计算机应用》
CSCD
北大核心
2024年第S2期280-285,共6页
-
基金
江苏省研究生科研与实践创新计划项目(SJCX23_1159)。
-
文摘
针对无人机高空视角下背景复杂、特征提取能力不足、目标尺寸小、难以检测、漏检严重等问题,在YOLOv8n的基础上提出改进的无人机高空视角目标检测算法。首先优化网络结构,通过增加P2小目标检测层并删去P5大目标检测层提升小目标感知能力;其次引入感受野注意力卷积(RFAConv)以改进C2f的颈部结构,并从空间维度提高网络的特征提取及特征融合能力;再次将动态头(Dyhead)模块引入Detect检测头,从而增强模型的表达能力和泛化能力;最后使用归一化Wasserstein距离(NWD)度量边界框相似性,从而降低尺度敏感性。在Visdrone2019数据集上,改进后的YOLOv8n、YOLOv9t和YOLOv10n与改进前的相比,在平均精度(AP)上分别提升了15.6%、16.7%和31.0%;在SAR舰船检测数据集(SSDD)上的检测结果表明改进算法泛化能力较好,具有较强的鲁棒性。可见改进后的算法提升了小目标特征提取及融合能力,并具有更好的小目标检测效果。
-
关键词
YOLOv8n
小目标检测
感受野注意力卷积
动态头
归一化Wasserstein距离
-
Keywords
YOLOv8n
small object detection
Receptive Field attention convolution(rfaconv)
Dynamic head(Dyhead)
Normalized Wasserstein Distance(NWD)
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名基于感受野注意力卷积的自动驾驶多任务感知算法
被引量：4
- 2
-
-
作者
刘云翔
马海力
朱建林
张晴
金婍
-
机构
上海应用技术大学计算机科学与信息工程学院
-
出处
《计算机工程与应用》
CSCD
北大核心
2024年第20期133-141,共9页
-
基金
上海市自然科学基金(21ZR1462600)。
-
文摘
可行驶区域分割、车道线检测及交通目标检测等作为自动驾驶感知的关键部分,并行执行对智能车辆的算力要求较高,多任务感知算法能够实现实际应用中精度与速度的权衡。针对多任务感知算法中路况复杂、目标受遮挡等难点,通过改进YOLOP网络,提出一种基于感受野注意力卷积(RFAConv)的多任务感知算法。将主干网络中的部分卷积替换为感受野注意力卷积,根据感受野中图像特征的重要程度动态分配卷积核权重以提高网络的特征提取能力;重构特征金字塔网络,使用高效跨尺度融合模块替换原有的跨阶段层次模块,充分保留特征融合的有效信息,并使用内容感知特征重组模块作为上采样方法,减少特征融合时上采样的信息丢失;使用MPDIoU函数计算回归损失,解决真实框与预测框之间同比例但不同大小的问题,进一步提高对交通目标的检测能力。在BDD100K数据集上的测试结果表明,该模型在可行驶区域分割、车道线检测及交通目标检测方面检测精度优于其他多任务模型甚至单任务模型,同时保证了网络实时推理性能。
-
关键词
多任务感知
自动驾驶
目标检测
语义分割
感受野注意力卷积(rfaconv)
-
Keywords
multi-task perception
autonomous driving
object detection
semantic segmentation
receptive-field attention convolution(rfaconv)
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
