文献类型：期刊文章

作　　者：谢椿辉[1,2] 吴金明[1] 徐怀宇[2]

XIE Chunhui;WU Jinming;XU Huaiyu(Shanghai Advanced Research Institute,Chinese Academy of Sciences,Shanghai 201210,China;School of Information Science and Technology,ShanghaiTech University,Shanghai 201210,China)

机构地区：[1]中国科学院上海高等研究院,上海201210 [2]上海科技大学信息科学与技术学院,上海201210

出　　处：《计算机工程与应用》

基　　金：中国科学院战略性先导科技专项(XDC02000000);SEANET规模试验验证评估与示范应用(XDC02070800)。

年　　份：2023

卷　　号：59

期　　号：9

起止页码：198-206

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD_E2023_2024、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：无人机航拍影像具有目标尺度变化大、背景复杂等诸多特性,导致现有的检测器难以检测出航拍影像中的小目标。针对无人机影像中小目标误检漏检的问题,提出了改进YOLOv5的算法模型Drone-YOLO。增加了检测分支以提高模型在多尺度下的检测能力。设计了多层次信息聚合的特征金字塔网络结构,实现跨层次信息的融合。设计了基于多尺度通道注意力机制的特征融合模块,提高对小目标的关注度。将预测头的分类任务与回归任务解耦,使用Alpha-IoU优化损失函数定义,提升模型检测的效果。通过无人机影像数据集VisDrone的实验结果表明,Drone-YOLO模型较YOLOv5模型在AP50指标上提高了4.91个百分点,推理延时仅需16.78 ms。对比其他主流模型对于小目标拥有更好的检测效果,能够有效完成无人机航拍影像的小目标检测任务。

关 键 词：目标检测 无人机 小目标  注意力机制  特征融合  YOLO  

分 类 号：TP391]