高效的小物体检测你只看一次:用于空中图像的小物体检测算法
Jie Luo1, Zhicheng Liu1, Yibo Wang1
1School of Information Engineering, Wuhan University of Technology, Wuhan 430070, China.
Sensors (Basel, Switzerland)
|November 9, 2024
概括
这项研究介绍了ESOD-YOLO,这是一种用于无人驾驶飞行器 (UAV) 的高效物体检测模型. 它显著改善了空中图像中的小物体检测,具有更少的参数,增强了无人机的能力.
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:
- 空中图像对物体检测具有独特的挑战,包括尺度变化,遮蔽和密集的小目标.
- 现有的算法经常在小物体特征提取和空间语义数据集成方面扎,由于参数数量高,限制了无人机部署.
研究的目的:
- 开发基于YOLOv8n的无人驾驶飞行器 (UAV) 的高效小物体检测模型 (ESOD-YOLO).
- 为了增强小物体信息的提取,并改善空中图像中的空间语义数据融合.
- 创建一个具有减少参数数量的模型,适用于资源有限的无人机硬件.
主要方法:
- 替换了YOLOv8n骨干中的C2f模块,并使用了Reparameterized Multi-scale Inverted Blocks (RepNIBMS) 来改进小物体特征提取.
- 设计了一个波形特征金字塔网络 (WFPN),用于增强跨层次的多尺度特征融合,整合空间和语义信息.
- 整合了一个专门的小物体检测头,并提出了一个三焦损失功能来处理不平衡的空中图像数据集.
主要成果:
- 在VisDrone2019测试组 (640x640输入大小) 上,ESOD-YOLO实现了29.3%的平均平均准确性,比基线YOLOv8n的性能优于3.6%.
- 该模型的参数数量为446万,证明了无人机部署的效率.
- 与其他方法相比,实现了更高的检测准确性,同时保持了较低的参数数量.
结论:
- ESOD-YOLO有效地解决了在无人机应用中的空中图像中检测小物体的挑战.
- 拟议的模型提供了高检测精度和计算效率之间的平衡,使其适合实时无人机操作.
- 整合RepNIBMS,WFPN和三焦损失为空中物体检测任务提供了一个强大的解决方案.
