针对无人机航拍图像中背景丰富,多个小目标聚集导致的误检、漏检,以及置信度不高等问题,本文提出一种改进YOLOX(You Only Look Once X)的目标检测算法。首先,设计一种提取高频特征信息的注意力机制(LE-MSA),避免小目标特征消失在冗余信...针对无人机航拍图像中背景丰富,多个小目标聚集导致的误检、漏检,以及置信度不高等问题,本文提出一种改进YOLOX(You Only Look Once X)的目标检测算法。首先,设计一种提取高频特征信息的注意力机制(LE-MSA),避免小目标特征消失在冗余信息中;其次,为防止样本类别不均衡导致检测效果差的问题,引入VarifocalLoss损失函数,与BCEWithLogitsLoss损失函数共同参与分类准确度和目标框定位精度的提升;最后,提出一种包含自适应小目标增强和区域增强方法在内的多策略数据增强方法,提高模型的泛化能力。试验结果表明,LE-YOLOX算法表现出良好的检测能力,其检测精度达到90.78%,优于Faster R-CNN(71.30%)、YOLOv5(88.15%)、YOLOv8(87.63%)、YOLOv10(86.1%)和YOLOX(87.82%);同时,改进YOLOX在实际检测时能够有效解决无人机航拍图像下密集小目标的误检和漏检问题,具有较强的小目标识别和密集目标处理能力。展开更多
文摘针对无人机航拍图像中背景丰富,多个小目标聚集导致的误检、漏检,以及置信度不高等问题,本文提出一种改进YOLOX(You Only Look Once X)的目标检测算法。首先,设计一种提取高频特征信息的注意力机制(LE-MSA),避免小目标特征消失在冗余信息中;其次,为防止样本类别不均衡导致检测效果差的问题,引入VarifocalLoss损失函数,与BCEWithLogitsLoss损失函数共同参与分类准确度和目标框定位精度的提升;最后,提出一种包含自适应小目标增强和区域增强方法在内的多策略数据增强方法,提高模型的泛化能力。试验结果表明,LE-YOLOX算法表现出良好的检测能力,其检测精度达到90.78%,优于Faster R-CNN(71.30%)、YOLOv5(88.15%)、YOLOv8(87.63%)、YOLOv10(86.1%)和YOLOX(87.82%);同时,改进YOLOX在实际检测时能够有效解决无人机航拍图像下密集小目标的误检和漏检问题,具有较强的小目标识别和密集目标处理能力。
