改进YOLOv5的无人机影像小目标检测算法

摘要：

无人机航拍影像具有目标尺度变化大、背景复杂等诸多特性,导致现有的检测器难以检测出航拍影像中的小目标.针对无人机影像中小目标误检漏检的问题,提出了改进YOLOv5的算法模型Drone-YOLO.增加了检测分支以提高模型在多尺度下的检测能力.设计了多层次信息聚合的特征金字塔网络结构,实现跨层次信息的融合.设计了基于多尺度通道注意力机制的特征融合模块,提高对小目标的关注度.将预测头的分类任务与回归任务解耦,使用Alpha-IoU优化损失函数定义,提升模型检测的效果.通过无人机影像数据集VisDrone的实验结果表明,Drone-YOLO模型较YOLOv5模型在AP50指标上提高了4.91个百分点,推理延时仅需16.78 ms.对比其他主流模型对于小目标拥有更好的检测效果,能够有效完成无人机航拍影像的小目标检测任务.

关键词：目标检测、无人机、小目标、注意力机制、特征融合、YOLO

所属期刊栏目：59

分类号：TP391(计算技术、计算机技术)

资助基金：中国科学院战略性先导科技专项;SEANET规模试验验证评估与示范应用

在线出版日期：2023-05-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：198-206