基于改进YOLOv5的鱼群小目标检测优化算法

摘要：

随着深度学习技术的发展,水下图像检测近年来受到广泛的关注,为了克服在复杂水下环境下传统小鱼群的误检、漏检和识别准确率低等问题,提出一种改进 YOLOv5 的目标检测方法(INV-YOLOv5).该方法包括将 YOLOv5m 中的 Focus模块替换为卷积模块,提高网络精度;在主干网络(Backbone)中添加多头自注意力机制,增大网络特征提取视野;最后,在网络中引入了内卷算子和加权的特征融合,降低网络的参数量,提高检测精度.在实验阶段,使用 Labeled Fishes in the Wild数据集和 WildFish数据集验证,该方法的平均精度(mAP)分别为 81.7%和 83.6%,与 YOLOv5m 网络相比分别提升了 6%和 14.5%,不仅拥有较高的识别率并且更加轻量化,而且模型大小与 YOLOv5m网络相比减少了 6 M(Mega)左右,验证了所提出的改进方法具有较好的效果.

关键词：深度学习、YOLOv5m、多头自注意力、内卷算子、鱼群检测

所属期刊栏目：46

分类号：TP391.4;TP183(计算技术、计算机技术)

资助基金：教育部卓越工程师教育培养计划项目产学合作协同育人项目;大学生创新创业训练计划项目;大学生创新创业训练计划项目;大学生创新创业训练计划项目

在线出版日期：2024-01-09（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：14-24