在红外成像中增强了道路物体的检测和识别,使用多尺度自我注意力
Poyi Liu1, Yunkang Zhang1, Guanlun Guo2
1School of Communication Engineering, Wuhan University of Technology, Wuhan 430070, China.
Sensors (Basel, Switzerland)
|August 29, 2024
概括
本研究介绍了一种快速红外探测模型,使用多尺度的自我注意力来对小型道路目标进行检测. 增强的YOLOv8模型在复杂的交通环境中提高了准确性和速度.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 红外成像技术 红外成像技术
背景情况:
- 在红外图像中检测小的,低对比度的目标,尤其是在交通中,是一个挑战.
- 传统的方法在特征提取方面扎,并在传输过程中遭受特征损失.
- 像YOLOv8这样的现有算法在有效处理红外小目标方面存在局限性.
研究的目的:
- 开发一个快速准确的检测和识别模型,用于在红外场景中检测和识别小型道路目标.
- 为了增强特征提取和防止信息丢失在红外线小目标检测.
- 提高红外目标检测系统的实时处理能力.
主要方法:
- 提出了一个基于YOLOv8的新型模型,将改进的DyHead结构与多尺度自我注意力集成在一起.
- 引入并增强了收集和分发机制,以减轻特征金字塔网络 (FPN) 中的功能丢失.
- 通过修剪优化了网络架构,以减少计算复杂性和提高处理速度.
主要成果:
- 在VisDrone2019数据集上,平均精度 (AP) 提高了3.1%,平均精度 (mAP) 增加了2.5%.
- 在小型红外目标的检测准确度和处理速度方面显著改进.
- 在复杂的道路交通环境中展示了更好的稳定性和适应性.
结论:
- 拟议的多尺度自我注意模型有效地解决了小型红外目标检测的挑战.
- 整合DyHead和收集和分发机制显著提高了功能感知,并减少了信息丢失.
- 修剪后的快速检测模型适用于红外线道路交通监控的实时应用.
