MSRP-TODNet:用于微小物体检测的多尺度增强区域智能分析器

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 实时监控面临的挑战在检测小,遥远的物体,由于有限的像素数据,影响分类器的性能.
• 深度学习 (DL) 方法通过特征图增强检测,但通常会产生高计算成本.

研究的目的:

• 引入多尺度区域智能像素分析与GAN用于微小对象检测 (MSRP-TODNet) 模型.
• 提高实时监控应用中检测小物体的准确性和效率.

主要方法:

• 使用改进的维纳波器 (IWF) 和调整的对比度增强方法 (ACEM) 进行预处理图像.
• 使用多代理强化学习 (MARL) 进行区域像素分析和特征图生成.
• 采用增强特征金字塔网络 (EFPN) 进行特征地图合并.
• 实现生成对抗网络 (GAN) 用于使用边界框进行最终对象检测.

主要成果:

• 在DOTA数据集上,MSRP-TODNet在IOU 0.5时实现了84.2%的平均平均精度 (mAP),在IOU 0.5:0.95时达到54.1%.
• 与TPH-YOLOv5,YOLOv7-Tiny和DRDet相比,该模型表现出优异的性能,检测性能幅度为1.7%-6.1%.
• 获得了84.0%的F1评分,突出了其在小物体检测方面的有效性.

结论:

• MSRP-TODNet提供了一个强大的解决方案,用于在UAV监控等具有挑战性的环境中准确,实时检测小物体.
• 拟议的框架通过增强特征表示和减少计算负载,有效地解决了传统方法的局限性.
• 该模型在基准数据集上的性能验证了其在空中图像分析中的实际应用潜力.