空中影像对象检测方法基于跨尺度的多特征融合
Yang Pan1, Jinhua Yang1, Lei Zhu1
1School of Electronics and Information, Xi'an Polytechnic University, Xi'an 710048, China.
Mathematical biosciences and engineering : MBE
|November 3, 2023
概括
这项研究介绍了CMF-YOLOv5s,一种改进的空中图像目标检测方法. 它在复杂的背景中提高了小目标检测的准确性和速度,优于现有的轻量级网络.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 遥感 遥感 遥感 遥感
背景情况:
- 空中图像分析对于导航,交通控制和环境监测至关重要.
- 在复杂的空中背景中检测小目标对算法构成重大挑战.
- 现有的轻量级网络在小型空中目标的准确性和实时性能方面扎.
研究的目的:
- 为了提高轻量级网络的检测准确度,用于空中图像中的小目标.
- 开发一种新的跨尺度多功能融合方法,以改进空中目标检测.
- 为了解决高泄漏检测率和改善小目标的识别.
主要方法:
- 提出了一种基于YOLOv5s.的跨尺度多特征聚变目标检测方法 (CMF-YOLOv5s).
- 引入了一个双向的跨尺度特征融合子网络 (BsNet) 与一个多尺度融合模块 (MFF).
- 实现了一个具有四个输出和优化箱的多尺度检测头,使用基因算法与K-means.
主要成果:
- 在VisDrone-2019数据集上,CMF-YOLOv5s的检测速度达到了116 FPS.
- 与原始YOLOv5s相比,在小目标中显示了mAP0.5 (5.5%) 和mAP0.5:0.95 (3.6%) 的显著改善.
- 超越了八个先进的轻量级网络,mAP0.5和mAP0.5:0.95的改进分别超过3.3%和1.9%.
结论:
- 拟议的CMF-YOLOv5s方法有效地提高了复杂的空中图像中小型目标的检测.
- 整合BSNet,MFF和优化框可以改善特征融合和小目标感知.
- CMF-YOLOv5s为空中图像目标检测应用提供了精度和速度的卓越平衡.


