APM-YOLOv7用于基于多尺度特征自适应加权聚变的小目标水上漂浮垃圾检测

科学领域:

• 计算机视觉 计算机视觉
• 环境监测 环境监测
• 机器学习 机器学习

背景情况:

• 由于复杂的背景和有限的数据,检测水上漂浮的小垃圾的准确性较低.
• 现有的方法在特征提取和背景干扰方面扎.

研究的目的:

• 开发一种准确有效的小目标检测方法,用于水上漂浮的垃圾.
• 提高YOLOv7模型对环境应用的检测能力.

主要方法:

• 拟议的APM-YOLOv7,集成适应式Canny (ACanny) 进行河流轮提取,部分卷积高效层聚合网络 (PConv-ELAN) 进行特征提取,以及多尺度封闭注意力 (MGA) 进行适应式权重.
• ACanny可以减轻复杂的背景干扰.
• PConv-ELAN增强了对形态变量垃圾的特征提取.
• MGA专注于小目标特征,减少错过的检测.

主要成果:

• 与基准YOLOv7.7相比,APM-YOLOv7实现了平均平均精度 (mAP) 的7.02%增加和mmAP (mAP0.5:0.95) 的3.91%增加.
• 召回得到了11.82%的改进.
• 该模型符合高精度和实时检测要求.

结论:

• APM-YOLOv7在小型目标水上漂浮垃圾检测方面取得了重大进展.
• 拟议的方法为智能水上漂浮垃圾管理提供了可靠的参考.
• ACanny,PConv-ELAN和MGA的整合有效地应对了复杂水生环境中的挑战.