文献类型：期刊文章

作　　者：张宇[1,4] 王延吉[1,4] 马辉[1,3] 闫锴[2] 李大舟[1,4]

Zhang Yu;Wang Yanji;Ma Hui;Yan Kai;Li Dazhou(School of Computer Science and Technology,Shenyang University of Chemical Technology,Shenyang 110142,China;Department of Information and Control Engineering,Shenyang Institute of Science and Technology,Shenyang 110167,China;Network and Informatisation Centre,Shenyang University of Chemical Technology,Shenyang 110142,China;Key Laboratory of Industrial Intelligent Technology of Chemical Process of Liaoning Province,Shenyang 110142,China)

机构地区：[1]沈阳化工大学计算机科学与技术学院,沈阳110142 [2]沈阳科技学院信息与控制工程系,沈阳110167 [3]沈阳化工大学网络与信息化中心,沈阳110142 [4]辽宁省化工过程工业智能化技术重点实验室,沈阳110142

出　　处：《电子测量技术》

基　　金：辽宁省教育厅科学研究项目(LJKZ0449)资助。

年　　份：2024

卷　　号：47

期　　号：10

起止页码：141-150

语　　种：中文

收录情况：BDHX、BDHX2023、JST、RCCSE、ZGKJHX、核心刊

摘　　要：在无人机侦察、安防监控以及自动驾驶等领域中,目标检测技术面临巨大的挑战,图像中的目标往往具有多尺度属性,尤其是小尺寸目标检测难,以及目标很容易受到不同程度的遮挡。针对这些亟待解决的问题,本文提出了一种创新的动态多尺度目标检测模型:YOLO-DDE。首先,本文了提出了CEMA和CED卷积模块,增强了骨干网络对多尺度信息的处理能力精细特征提取能力,从而实现在复杂场景下更加精确的识别效果。此外,本文通过对FPAN网络结构进行创新性重构,提出了DFPN结构,此结构采用纵向跨尺度融合技术,显著提升了模型的尺度特征融合效果。最后,引入了动态检测头,提出了DD-Head结构,强化了模型对下游任务处理的能力。综上所述,本文提出的YOLO-DDE模型以其动态多尺度结构,为目标检测技术的性能提升提供了新的可能性。本文在PASCAL VOC数据集上进行了消融实验和对比试验,与当前主流先进模型YOLOv8相比,本文模型YOLO-DDE在评价指标map50和map50-95上分别提升了1.8%和3.2%,并且本文还在VisDrone、HIT-UAV、FAIR1M2.0数据集上进行了泛化性实验,验证了模型具有很强的泛化能力。

关 键 词：注意力机制  多尺度 解耦头  可变形卷积  DFPN  

分 类 号：TN911.73]