针对相似背景干扰场景下目标检测精度低、实时性不强等问题,提出了一种基于改进RT-DETR的目标检测算法。分析了浮点运算量(floating point operations,FLOPs)和每秒浮点运算次数(floating point operations per second,FLOPS)对实时性...针对相似背景干扰场景下目标检测精度低、实时性不强等问题,提出了一种基于改进RT-DETR的目标检测算法。分析了浮点运算量(floating point operations,FLOPs)和每秒浮点运算次数(floating point operations per second,FLOPS)对实时性的影响,采用速度、效率和轻量化方面都表现出色的FasterNet模块作为主干网络,实现了网络结构轻量化、算法实时性的提升。引入了能够处理图像高频和低频特征的HiLo(high frequency attention and low frequency attention)模块作为尺度内融合模块,实现了算法检测精度和抗干扰能力的提升。选取相似背景干扰场景下的CAMO-D数据集、CottonInsect数据集和自建病虫害数据集展开实验,结果表明相对于RT-DETR(real-time detection transformer)算法,本文算法检测准确率分别提高了8.0%、6.6%和9.0%,F1分数分别提高了13.8%、3.2%和4.2%。在保持帧率基本不变的情况下,浮点运算量减少了49.6%,参数量减少了45.7%,计算准确性和效率方面提升明显。本文算法能有效应对相似背景干扰下的目标检测挑战,可以应用于更加广泛的实际场景。展开更多
文摘针对相似背景干扰场景下目标检测精度低、实时性不强等问题,提出了一种基于改进RT-DETR的目标检测算法。分析了浮点运算量(floating point operations,FLOPs)和每秒浮点运算次数(floating point operations per second,FLOPS)对实时性的影响,采用速度、效率和轻量化方面都表现出色的FasterNet模块作为主干网络,实现了网络结构轻量化、算法实时性的提升。引入了能够处理图像高频和低频特征的HiLo(high frequency attention and low frequency attention)模块作为尺度内融合模块,实现了算法检测精度和抗干扰能力的提升。选取相似背景干扰场景下的CAMO-D数据集、CottonInsect数据集和自建病虫害数据集展开实验,结果表明相对于RT-DETR(real-time detection transformer)算法,本文算法检测准确率分别提高了8.0%、6.6%和9.0%,F1分数分别提高了13.8%、3.2%和4.2%。在保持帧率基本不变的情况下,浮点运算量减少了49.6%,参数量减少了45.7%,计算准确性和效率方面提升明显。本文算法能有效应对相似背景干扰下的目标检测挑战,可以应用于更加广泛的实际场景。
