CDYL用于红外和可见光图像密集小物体检测.
Huixin Wu1, Yang Zhu2, Shuqi Li3
1North China University of Water Resources and Electric Power, Zhengzhou, 450046, China.
Scientific reports
|February 12, 2024
概括
CDYL对象检测算法通过提高对小物体的灵敏度来改善红外和可见光图像分析. 这种新的方法,利用卷积到完全连接的可变形卷积模块,提高了对具有挑战性的数据集的检测精度.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 图像处理 图像处理
背景情况:
- 小而难以检测的物体在红外和可见光成像中构成挑战.
- 传统的卷积神经网络 (CNN) 在捕获远程依赖和适应空间信息方面存在局限性.
研究的目的:
- 开发一个对象检测算法,CDYL (Convolution to Fully Connected-Deformable Convolution You Only Look Once),用于改进小物体的检测.
- 通过结合自适应空间聚合和减少诱导偏差,增强模型处理红外和可见光图像的能力.
主要方法:
- 为CDYL提出了核心卷积到完全连接-可变形卷积 (CFC-DC) 模块.
- 集成了Mish激活功能,以改善图像细节的概括和感知.
- 在红外和无人机图像数据集上评估了CDYL,将其与像YOLOv8l.l.这样的最先进算法进行比较.
主要成果:
- 与YOLOv8l相比,CDYL在红外图像检测方面在mAP0.5实现了3.0%的改进.
- 在可见光图像检测任务中,mAP0.5的1.1%改善.
- 该算法在红外和可见光图像上显示出高于平均精度的平均精度,同时保持轻量级的架构.
结论:
- CDYL有效地解决了在红外和可见光成像中检测小物体的挑战.
- CFC-DC模块增强了感应场和空间聚合,从而提高了检测性能.
- 拟议的算法为密集的小物体检测提供了一个轻量级和通用的解决方案.
