通过Gather-Excite注意力和正常化的Wasserstein距离来检测红外小目标模型
Kangjian Sun1, Ju Huo1, Qi Liu1
1School of Electrical Engineering and Automation, Harbin Institute of Technology, Harbin 150001, China.
Mathematical biosciences and engineering : MBE
|December 5, 2023
概括
一个新的ISTD-YOLOv7模型通过更新,嵌入注意力和使用规范化瓦瑟斯坦距离来增强红外小目标检测 (ISTD). 这种先进的模型在检测小,模糊的空中目标方面表现出卓越的性能.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 图像处理 图像处理
背景情况:
- 红外小型目标检测 (ISTD) 对于防御和侦察至关重要.
- 空中目标存在挑战,因为它们的尺寸小,信号暗淡,影响传统模型.
- 深度学习,特别是YOLO系列,有了先进的目标检测.
研究的目的:
- 提出一个改进的YOLOv7模型,ISTD-YOLOv7,用于增强红外小目标检测.
- 解决现有模型在空中视图中检测小和模糊目标方面的局限性.
- 提高ISTD深度学习模型的适应能力.
主要方法:
- 更新了YOLOv7,以获得更好的预先信息.
- 集成收集-激发 (GE) 注意力机制以利用特征上下文和空间信息.
- 在损失函数中用标准化的瓦斯斯坦距离 (NWD) 取代了交叉点在联盟 (IoU) 上,以减轻位置灵敏度.
主要成果:
- 与YOLOv3,YOLOv5s,SSD,CenterNet,FCOS,YOLOXs,DETR和基线模型相比,ISTD-YOLOv7模型的检测性能更高.
- 在标准数据集上获得了98.43%的平均平均精度 (mAP).
- 废弃性研究证实了集成GE注意力和NWD损失功能的有效性.
结论:
- 拟议的ISTD-YOLOv7模型为红外小型目标检测提供了显著的改进.
- 这些修改增强了该模型处理小,模糊的空中目标的独特挑战的能力.
- 该研究验证了每个改进组件对整体性能提升的贡献.
