基于卷积神经网络的空中图像中的行人检测,具有注意力机制和多尺度预测

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:

• 对于行人检测的传统机器学习方法的准确性低,处理速度慢.
• 基于卷积神经网络 (CNN) 的算法取得了进展,但仍面临着速度和准确性的挑战,特别是在空中视图中的小或封闭目标.

研究的目的:

• 提出一种新的多级注意力YOLO (MSA-YOLO) 算法,以提高行人物体检测的准确性和效率.
• 解决现有方法在从空中角度检测小和封闭的行人时的局限性.

主要方法:

• 开发了MSA-YOLO算法,结合了Squeeze,Excitation和Cross Stage Partial (SECSP) 频道注意模块,用于更丰富的特征提取.
• 引入了多尺度预测模块,以改善各种尺度的检测,特别是对于小物体.
• 创建并注释了一个新的空中行人 (AP) 数据集,包含高分辨率图像,多样化的场景和多种视角.

主要成果:

• 在AP数据集上,MSA-YOLO算法在现有的物体检测和行人检测模型上显示了显著的优势.
• 该SECSP模块有效地提取行人特征与最小的参数增加.
• 多尺度预测模块有效地改善了对小人行人的检测,并减少了错过的检测.

结论:

• 拟议的MSA-YOLO算法在空中行人检测的准确性和效率上提供了实质性的改进.
• 新的AP数据集为推进空中行人检测研究提供了宝贵的资源.
• MSA-YOLO显示出在智能交通管理和监控系统中应用的巨大潜力.