EBR-YOLO:一种基于无人机空中图像的轻量级非机动车辆检测方法
Meijia Zhou1, Xuefen Wan2, Yi Yang1
1College of Information Science and Technology, Donghua University, Shanghai 201620, China.
Sensors (Basel, Switzerland)
|January 11, 2025
概括
这项研究介绍了EBR-YOLO,一种基于无人机的轻量级物体检测模型,用于智能城市中小型非机动车辆. 它通过显著减少参数实现高精度和速度,增强城市交通监控.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 智能运输系统 智能运输系统
背景情况:
- 智慧城市倡议需要对包括非机动车辆在内的各种交通要素进行强有力的识别.
- 无人机提供灵活的空中数据采集,优于城市监测的固定系统.
- 现有的物体检测模型可能无法优化用于从无人机图像中检测小物体.
研究的目的:
- 提出一种新的,轻量级的物体检测架构 (EBR-YOLO),用于使用无人机捕获的空中图像识别小型非机动车辆.
- 通过丰富细节信息和改进学习来提高模型检测小物体的能力.
- 为了减少计算复杂性和提高检测速度,而不会造成显著的准确性损失.
主要方法:
- 通过减少骨干层,开发了一个基于YOLO的轻量级架构 (EBR-YOLO).
- 引入了AZML模块,以增强小目标的详细信息和模型学习.
- 使用PConv重建了C2f模块,以减少计算负载并增加检测速度.
- 通过 ADown 模块重塑了下方采样操作,以进一步降低计算成本.
主要成果:
- 在定制数据集上,EBR-YOLO实现了98.9%的mAP和89.8的FPS.
- 该模型显示,与基线YOLOv8.8相比,参数减少了70%.
- 在UCAS-AOD和CARPK数据集上的表现显示了与基线可比的结果,表明了良好的概括性.
结论:
- EBR-YOLO有效地平衡了高精度和计算速度,同时显著减少了模型大小.
- 拟议的轻量级架构适合在智能城市环境中实时检测小型非机动车辆.
- 该模型的效率和通用化能力使其成为城市智能交通系统的有希望的解决方案.
