计算机工程与应用››2024,第60卷››发行(10): 276-284.内政部:10.3778/j.issn.1002-8331.2309-0454

图形图像处理 • 上一篇   下一篇

改进YOLOv5公司的无人机小目标检测方法研究

白宇,周艳媛,安胜彪  

  1. 河北科技大学 信息科学与工程学院,石家庄 050018
  • 出版日期:2024-05-15 发布日期:2024-05-15

YOLOv5改进的无人机小目标检测方法研究

白玉、周彦元、安胜彪  

  1. 河北科技大学信息科学与工程学院,石家庄050018
  • 在线:2024-05-15 出版:2024-05-15

摘要:无人机拍摄图像的小目标具有特征信息不明显、背景复杂和部分目标遮挡的特点,导致检测时会出现误检和漏检的问题。针对这些问题,提出一种改进YOLOv5公司的无人机小目标检测方法SDT-YOLOv5首先对数据集图像进行切片处理,使得每个切片中小目标的占比变高,提高小目标的识别能力。其次采用动态解耦检测头,引入动态卷积和自适应感受野机制,同时将检测头的分类和回归分支解耦,以实现更强的特征表达和提取能力。最后提出了基于最小点距离的交并比损失的最佳传输分配方法。最小化预测边界框与真实边界框之间的左上角和右下角点距离,再基于边界框的位置信息和距离度量,以最小化总成本为目标,找到最优的真实边界框与预测边界框匹配方案,提高检测的准确性。在VisDrone2019年数据集上进行实验,结果显示改进YOLOv5 mAP50占58.5%,YOLOv mAP50 23.2个百分点。这表明改进方法有效地提高了无人机小目标的检测精度,能够更准确地检测到小目标。

关键词: YOLOv5, 小目标检测, 检测头, 损失函数

摘要:无人机拍摄的图像中的小物体具有特征信息不清晰、背景复杂、目标部分遮挡等特点,导致在检测过程中存在误检和漏检的问题。针对这些问题,提出了一种改进的无人机小目标检测方法SDT-YOLOv5。首先,对数据集图像进行切片,以增加每个切片中小对象的比例,提高小对象的识别能力。其次,使用动态解耦检测头引入动态卷积和自适应感受野机制,同时解耦检测头的分类和回归分支,以实现更强的特征表达和提取能力。最后,提出了一种基于最小点距离交负比损失的最优传输分配方法。将预测边界框的左上角和右下角与实际边界框之间的距离最小化,然后基于边界框的位置信息和距离测量,以最小化总成本为目标,为了提高检测精度,找到了最佳的实包围盒和预测包围盒匹配方案。通过在VisDrone2019数据集上的实验结果,改进后的YOLOv5的mAP50值达到58.5%,比原始YOLOv的mAP50%值高23.2个百分点。这表明,改进后的方法有效地提高了无人机小目标的检测精度,能够更准确地检测小目标。

关键词: YOLOv5, 小目标检测, 探测头, 损失函数