改进YOLOv5的无人机小目标检测方法研究

doi:10.3778/j.issn.1002-8331.2309-0454

摘要/摘要

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

白宇, 周艳媛, 安胜彪. 改进YOLOv5公司的无人机小目标检测方法研究[J] ●●●●。计算机工程与应用, 2024, 60(10): 276-284.

白玉，周彦元，安胜彪。YOLOv5改进的无人机小目标检测方法研究[J]。计算机工程与应用，2024，60（10）：276-284。

参考文献

[1] 邹Z，施Z，郭毅，等。20年来的目标检测研究[J]。arXiv:1905.050552019年。
[2] 吴旭，SAHOO D，HOI S C H。物体检测深度学习的最新进展[J]。神经计算，2020，396:39-64。
[3] ZAIDI S S A，ANSARI M S，ASLAM A，等.基于深度学习的现代目标检测模型综述[J]。数字信号处理，2022:103514。
[4] 焦磊，张峰，刘峰，等。基于深度学习的目标检测综述[J]。IEEE接入，2019年，7:128837-128868。
[5] 赵志强，郑鹏，徐S，等。基于深度学习的目标检测技术综述[J]。IEEE神经网络和学习系统汇刊，2019，30（11）：3212-3232。
[6] 高新波, 莫梦竟成, 汪海涛, 等.小目标检测研究进展[J] ●●●●。数据采集与处理, 2021, 36(3): 391-417.
高晓波，莫敏俊，王海涛，等.小目标检测的最新进展[J]。数据采集与处理杂志，2021，36（3）：391-417。
[7] CHENG G，YUAN X，YAO X，et al.面向大规模小目标检测：测量和基准[J]。IEEE模式分析和机器智能汇刊，2023，45（11）：13467-13488。
[8] 赵勇，JU Z，SUN T，等.TGC-YOLOv5:基于变压器、GAM和CA注意机制的增强型YOLOv 5无人机检测模型[J]。无人机，2023，7（7）：446。
[9] WU Y，LI J.YOLOv4，使用变形嵌入变换器特征提取器实现航空图像中的精确目标检测[J]。传感器，2023，23（5）：2522。
[10] JUNG H K，CHOI G S。改进的YOLOv5：在各种条件下使用无人机图像进行高效目标检测[J]。应用科学，2022，12（14）：7255。
[11] BETTI A，TUCCI M.YOLO-S：一种轻量级、精确的类YOLO网络，用于航空图像中的小目标检测[J]。传感器，2023，23（4）：1865。
[12] 裴伟，施智，龚凯.基于改进YOLOv5算法的遥感图像小目标检测[J]。神经机器人学前沿，2023，16:1074862。
[13] 谢椿辉, 吴金明, 徐怀宇. 改进YOLOv5公司的无人机影像小目标检测算法[J] ●●●●。计算机工程与应用, 2023, 59(9): 198-206.
谢春华，吴建明，徐海燕。基于改进YOLOv5的无人机图像小目标检测算法[J]。计算机工程与应用，2023,59（9）：198-206。
[14] 陈卫彪, 贾小军, 朱响斌, 等. 基于DSM-YOLO第5版的无人机航拍图像目标检测[J] ●●●●。计算机工程与应用, 2023, 59(18): 226-233.
陈文斌，贾晓杰，朱晓波，等.基于DSM-YOLO v5的无人机图像目标检测[J]。计算机工程与应用，2023,59（18）：226-233。
[15] 张朝阳, 张上, 王恒涛, 等. 多尺度下遥感小目标多头注意力检测[J] ●●●●。计算机工程与应用, 2023, 59(8): 227-238.
张志勇，张斯，王海涛，等.多尺度遥感中小目标的多头部注意检测[J]。计算机工程与应用，2023,59（8）：227-238。
[16] 杨晨, 佘璐, 杨璐, 等. 改进YOLOv5公司的遥感影像目标检测算法[J] ●●●●。计算机工程与应用, 2023, 59(15): 76-86.
YANG C，SHE L，YANG L，等.改进的YOLOv5遥感图像目标检测算法[J]。计算机工程与应用，2023,59（15）：76-86。
[17] 陈佳慧, 王晓虹. 改进YOLOv5公司的无人机航拍图像密集小目标检测算法[J] ●●●●。计算机工程与应用, 2024, 60(3): 100-108.
CHEN J H，WANG X H。无人机航空图像中基于改进YOLOv5的密集小目标检测算法[J]。计算机工程与应用，2024，60（3）：100-108。
[18] ZHU X，LYU S，WANG X，et al.TPH-YOLOv5:基于变压器预测头的改进YOLOv 5，用于无人机捕获场景中的目标检测[C]//2021年IEEE/CVF国际计算机视觉会议论文集，2021:2778-2788。
[19] LIANG S，WU H，ZHEN L，et al.边缘YOLO：自动驾驶汽车中基于边缘云协作的实时智能物体检测系统[J]。IEEE智能交通系统汇刊，2022，23（12）：25345-25360。
[20] 司良M，YONG X.MPDIoU：高效准确边界盒回归的损失[J]。arXiv:2307.076622023年。
[21]BOCHKOVSKIY A，WANG C Y，LIAO H Y M.YOLOv4：目标检测的最佳速度和精度[J]。arXiv:2004.109342020年。
[22]DU D，ZHU P，WEN L，et al.VisDrone-DET2019:视觉满足图像挑战结果中的无人机目标检测[C]//2019 IEEE/CVF国际计算机视觉研讨会会议记录，2019:213-226。
[23]GE Z，LIU S，WANG F，等.YOLOx：2021年超越YOLO系列[J]。arXiv:2107.084302021。
[24]PEYRéG，CUTURI M.计算最优传输：与数据科学应用[J]。基础和趋势？机器学习，2019，11（5/6）：355-607。
[25]ARISTODEMO A，GEMIGNANI L.用Arnoldi型方法加速Sinkhorn-Knopp迭代[J]。卡尔科洛，2020，57（1）：10。
[26]REN S，HE K，GIRSHICK R，et al.Faster R-CNN:towards real-time object detection with region proposition networks[C]//Advances in Neural Information Processing Systems 2015年第28期。
[27]罗H，邓J.CornerNet:将物体作为配对关键点进行检测[C]//第十五届欧洲计算机视觉会议论文集，2018：734-750。
[28]WANG C Y，BOCHKOVSKIY A，LIAO H Y M.YOLOv7:可培训的免费行李为实时目标探测器设置了新的最先进技术[C]//2023年IEEE/CVF计算机视觉和模式识别会议论文集，2023:7464-7475。

改进YOLOv5公司的无人机小目标检测方法研究

YOLOv5改进的无人机小目标检测方法研究

PDF格式

可视化

摘要/摘要

引用本文

使用本文

参考文献

相关文章15

编辑推荐

韵律学

[1]	李钟华, 林初俊, 朱恒亮, 廖诗宇, 白云起.基于结构感知和全局上下文信息的小目标检测[J] ●●●●。计算机工程与应用, 2024, 60(9): 292-298.
[2]	王茹, 刘大明, 张健.穿戴-YOLO：变电站电力人员安全装备检测方法研究[J] ●●●●。计算机工程与应用, 2024, 60(9): 111-121.
[3]	潘玮, 韦超, 钱春雨, 杨哲.面向无人机视角下小目标检测的YOLOv8s公司[J] ●●●●。计算机工程与应用, 2024, 60(9): 142-150.
[4]	曹钢钢, 王帮海, 宋雨.结合数据增强的跨模态行人重识别轻量网络[J] ●●●●。计算机工程与应用, 2024, 60(8): 131-139.
[5]	邹振涛, 李泽平.改进YOLOv7公司的航拍图像目标检测[J] ●●●●。计算机工程与应用, 2024, 60(8): 173-181.
[6]	田鹏, 毛力.改进YOLOv8公司的道路交通标志目标检测算法[J] ●●●●。计算机工程与应用, 2024, 60(8): 202-212.
[7]	徐洪俊, 唐自强, 张锦东, 朱沛华.钢材表面缺陷检测的YOLOv5s公司[J] ●●●●。计算机工程与应用, 2024, 60(7): 306-314.
[8]	倪广兴, 徐华, 王超.融合改进YOLOv5和Mediapipe的手势识别研究[J] ●●●●。计算机工程与应用, 2024, 60(7): 108-118.
[9]	江兴旺, 赵兴强.改进YOLOv7公司的木材表面缺陷检测算法[J] ●●●●。计算机工程与应用, 2024, 60(7): 175-182.
[10]	赵鑫, 陈里里, 杨维川, 张程旺.DY-YOLOv5：基于多重注意力机制的航拍图像目标检测[J] ●●●●。计算机工程与应用, 2024, 60(7): 183-191.
[11]	苏佳, 秦一畅, 贾泽, 王静.基于ATO-YOLO公司的小目标检测算法[J] ●●●●。计算机工程与应用, 2024, 60(6): 68-77.
[12]	梁秀满, 李然, 于海峰, 刘振东.改进YOLOv7公司的水下目标检测算法[J] ●●●●。计算机工程与应用, 2024, 60(6): 89-99.
[13]	付锦燚, 张自嘉, 孙伟, 邹凯鑫.改进YOLOv8公司的航拍图像小目标检测算法[J] ●●●●。计算机工程与应用, 2024, 60(6): 100-109.
[14]	周飞, 郭杜杜, 王洋, 王庆庆, 秦音, 杨卓敏, 贺海军.基于改进YOLOv8公司的交通监控车辆检测算法[J] ●●●●。计算机工程与应用, 2024, 60(6): 110-120.
[15]	杨永刚, 谢睿夫, 龚泽川.改进YOLOv7-微型的无人机目标检测算法[J] ●●●●。计算机工程与应用, 2024, 60(6): 121-129.