改进YOLOv5的无人机航拍图像目标检测算法

针对无人机航拍图像目标检测中目标尺度多样、相似目标众多、目标聚集导致的目标漏检、误检问题,提出了改进YOLOv5的无人机航拍图像目标检测算法DA-YOLO。提出由特征图注意力生成器和动态权重学习模块组成的多尺度动态特征加权融合网络,特征图注意力生成器融合处理不同尺度目标更重要的特征,权重学习模块自适应地调节对不同尺度目标特征的学习,该网络可增强在目标尺度多样下的辨识度从而降低目标漏检。设计一种并行选择性注意力机制(PSAM)添加到特征提取网络中,该模块通过动态融合空间信息和通道信息,加强特征的表达获得更优质的特征图,提高网络对相似目标的区分能力以减少误检。使用Soft-NMS代替YOLOv5中采用的非极大值抑制(NMS)以改善目标聚集场景下的漏检、误检。实验结果表明,改进算法在VisDrone数据集上检测精度达到37.79%,相比于YOLOv5s算法精度提高了5.59个百分点,改进后的算法可以更好地应用于无人机航拍图像目标检测中。

自适应前景聚焦无人机航拍图像目标检测

针对无人机航拍图像前景目标尺度差异大、样本空间分布不均衡、背景冗余占比高所导致的漏检和误检问题,本文提出一种自适应前景聚焦无人机航拍图像目标检测算法。首先,构建全景特征细化分类层,通过重参数空间像素方差法及混洗操作,增强算法聚焦能力,提高前景样本特征的表示质量。其次,采用分离-学习-融合策略设计自适应双维特征采样单元,加强对前景焦点特征提取能力和背景细节信息保留能力,改善误检情况,加快推理速度。然后,结合多分支结构和广播自注意力机制构造多路径信息整合模块,解决下采样引起的歧义映射问题,优化特征的交互与整合,提高算法对多尺度目标的识别、定位能力,降低模型计算量。最终,引入自适应前景聚焦检测头,运用动态聚焦机制,增强前景目标检测精度,抑制背景干扰。在公开数据集Vis Drone2019和Vis Drone2021上进行相关实验,实验结果表明,该方法m AP@0.5数值达到了45.1%和43.1%,较基线模型分别提升6.6%和5.7%,且优于其他对比算法,表明该算法显著提升了检测精度,具备良好的普适性与实时性。

基于YOLOv5的轻量化无人机航拍小目标检测算法

针对无人机航拍视角下图像目标特征尺寸小且存在背景复杂、分布密集的问题,提出了一种基于YOLOv5的轻量化无人机航拍小目标检测改进算法GA-YOLO。该算法改进了Mosaic数据增强方法和网络整体结构,并增加了微小物体检测头,同时设计了轻量化的全局注意力模块和并行结构的空间通道注意力机制模块,提高了网络的全局特征提取能力和训练过程中卷积通道之间的竞争和合作关系。以4.0版本的YOLOv5s为基准,在公开无人机航拍数据集Vis Drone2019-DET上实验,结果表明,改进后的模型相较于原模型,参数量下降了48%,计算量下降了26%,而m AP@0.5提高了4.9个百分点,m AP@0.5:0.95提高了3.3个百分点,有效地提高了无人机空中视角下对密集型小目标的检测能力。

基于YOLOv5的无人机航拍改进目标检测算法Dy-YOLO

由于无人机航拍具有场景复杂多样,目标尺度变化剧烈,高速低空运动模糊等诸多特性,给目标检测带来了很大的挑战。针对无人机航拍目标检测效果不佳的问题,提出了Dy-YOLO模型,在YOLOv5的基础上引入Dynamic Head注意力,从尺度感知、空间位置、多任务3个角度探索具有注意力机制的预测头潜力;设计了C3-DCN结构和Dynamic Head注意力相互配合增强特征提取能力;此外,还使用SimOTA标签分配方式来弥补小样本的损失,并使用CARAFE(content-aware resssembly of features)上采样算子,有效增强了不同卷积特征图的融合效果。在VisDrone2019测试集上,Dy-YOLO检测的平均均值精度达到了38.2%,较基线方法YOLOv5提高了7.1%,同时与主流的检测方法相比也取得更高的检测精度。结果表明,Dy-YOLO算法对于无人机航拍检测任务具有较好的性能。

基于改进Double-Head RCNN的无人机航拍图像小目标检测算法

为解决无人机航拍图像中小目标特征信息少且容易被噪声干扰导致现有算法漏检率和误检率高的问题,提出一种改进Double-Head Region-卷积神经网络(RCNN)的无人机航拍图像小目标检测算法。在骨干网络ResNet-50上引入Transformer和可变形卷积(DCN)模块,更有效提取小目标特征信息和语义信息;提出一种基于内容感知特征重组(CARAFE)的特征金字塔网络(FPN)结构模块,解决特征融合过程中小目标被背景噪声干扰而丢失特征信息的问题;在区域建议网络中针对小目标尺度分布特点重新设置Anchor生成尺度,进一步提升小目标检测性能。在VisDrone-DET2021数据集上的实验结果表明:所提算法能提取更具有表征能力的小目标特征信息和语义信息,对比Double-Head RCNN算法,所提算法的参数量增加了9.73×10^(6),FPS损失了0.6,但是AP、AP50和AP75分别提升了2.6%、6.2%和2.1%,APs提升了3.1%。

高分辨率特征增强的无人机航拍小目标检测

针对无人机航拍图像背景复杂、小尺寸目标分布密集等造成的检测精度低等问题,提出一种高分辨率特征增强的无人机航拍小目标检测算法。首先,提出了高分辨率特征增强网络,通过减少主干网络的下采样倍数来扩大输出特征图的尺度,同时引入双线性插值法来减少采样后特征信息的丢失,从而保留更多语义特征与细节特征。其次,在主干网络嵌入一种结合局部跨阶段结构的快速空间金字塔池化(Spatial pyramid pooling fast cross stage partial construction,SPPFCSPC)模块,增强局部与全局特征的信息融合,从而获得更大的感受野。最后,通过马赛克混合数据增强方法来增强图像背景的复杂度,提高模型的泛化能力。在公开数据集VisDrone 2019上的实验结果表明,与“你只需看一次”(You only look once,YOLO)系列等其他主流算法相比,本文算法的平均精度均值有显著的提高,在不同场景下均验证了本文算法的优越性,表明本文算法对无人机航拍图像的密集小目标检测任务有较强的实用性。

激光导航与决策融合的小样本无人机航拍图像分类

近年来,激光导航技术与小样本无人机航拍图像分类,为土地利用调查、城市规划和环境监测等领域提供了精确的空间定位与大量价值信息,显著提升了分类技术的水平。本文提出了一种激光导航与决策融合技术的小样本无人机航拍图像分类方法,旨在提高分类性能与空间定位精度。通过激光导航系统提供的高精度地理位置信息,优化了航拍图像的特征提取过程,采用自监督学习构建辅助任务,通过旋转和翻转技术增强特征提取器的泛化能力。此外,结合两种自监督范式训练得到的特征提取器,通过逻辑回归分类器完成分类任务,设计了一种新型的决策融合模块,以自动调整各决策权重,提高了分类准确性。通过NWPU-RESISC45和UC Merced数据集上进行试验,结果验证了本文方法的有效性和先进性,展现了激光导航技术在提高小样本无人机航拍图像分类中的潜力。

基于CS-YOLOv5s的无人机航拍图像小目标检测

无人机航拍图像存在小目标分布密集且目标尺度变化大等检测难点,本文提出一种面向无人机航拍图像小目标的跨尺度目标检测模型—CS-YOLOv5s。首先,在YOLOv5s基础上,引入小目标检测器,提高模型对小目标的捕捉能力;进一步,将最大池化分支嵌入上下文增强模块,提取并增强骨干网络尾部的深层特征,再注入PANet,实现深浅层特征有效融合和模型跨尺度检测能力的提升;同时采用SPDConv模块替换下采样卷积模块,实现无人机航拍图像中密集目标高效检测。实验表明,CS-YOLOv5s在数据集VisDrone2019达到42.0%mAP0.5,较基准模型提升9.8%,有效增强网络模型对无人机航拍图像小目标的识别能力,为无人机目标智能识别提供支撑。

基于YOLOv5的无人机航拍小目标检测模型

针对无人机小目标检测中漏检率高、检测成功率低等问题,提出一种基于YOLOv5的小目标检测算法。首先,分别在backbone结构和neck结构中,融合swin transformer模块,在减少计算成本的基础上,提高目标检测的准确率,能够适应无人机航拍小目标检测;其次,引入卷积注意力模块(convolutional block attention module,CBAM),以增强网络对小目标特征的关注度;最后,将原始损失函数CIOU替换为SIOU损失函数,强调高质量样本权重加速收敛,提高回归精度。实验结果表明,经过模型优化,在Visdrone2019数据集上的检测精度为35.3%,与YOLOv5相比,提升了5.2%;相较于其他经典及先进算法,SWCBSI-YOLO算法表现良好,满足针对无人机航拍小目标的检测要求。

基于YOLO-v7的无人机航拍图像小目标检测改进算法

在无人机航拍图像目标检测任务中传统目标检测算法实时性与精确性差,且原始YOLO算法对小目标的误检、漏检率较高。航拍图像对视角、图像数据量、目标尺度等方面的要求较高,与普通图像有显著差异。鉴于此,针对无人机航拍图像小目标检测难题,提出一种基于YOLO-v7的改进算法FCL-YOLO-v7。首先,添加小目标检测层,改进特征提取网络结构与先验框配置;其次,用FReLU激活函数替代原有的SiLU激活函数;再次,在骨干网络中添加CBAM注意力机制;最后,结合公开数据集与自主采集的无人机航拍图像构建小目标数据集。实验结果表明,改进算法在无人机航拍图像小目标数据集上的精确率比原始算法提高6.7%,比YOLO-v3提升7.3%;召回率比YOLO-v5高3.3%。

人工智能技术助力高校无人机航拍教学

近年来,随着无人机的小型化以及飞行控制技术的快速发展,无人机摄影摄像得到一定范围的应用,高校无人机航拍课程也受到大学生的欢迎。但是囿于无人机航拍设备相对昂贵和实验实训的要求较高等因素,无人机航拍课程未能大规模地在高校相关专业推广普及。

基于改进YOLOv5s的无人机航拍视频中道路异常目标检测算法

在使用无人机进行机动车道行人与非机动车检测过程中,发现目标检测精度低、效果差的问题。为解决这些问题,提出一种针对无人机的行人与非机动车检测算法YOLOv5sP2S。首先,基于原有的PAFPN特征融合方案,将YOLOv5s模型的Neck部分进行扩展,并增加专门针对小目标的检测层;然后,在预测部分添加小目标检测头,对小目标检测层输出特征图进行预测;最后,将YOLOv5s的定位损失函数改进为SIOU,提高检测精度和锚框的回归效率。实验结果表明,与YOLOv5s模型相比,YOLOv5s-P2S的平均精度均值mAP50提高了0.05,参数量仅增加0.2M。YOLOv5s-P2S能够满足无人机视角的行人与非机动车目标检测的准确性和实时性要求。

无人机航拍军事车辆实时检测及定位算法

针对地面高价值军事车辆难以实时观测定位的问题,提出无人机航拍军事车辆实时检测及定位算法。创建真实作战场景下的多类型多尺度航拍军事车辆目标检测数据集Armed_vehicle;在轻量级神经网络模型YOLOX-Tiny中引入大卷积核注意力模块,采用边框回归函数,达到85.82%的检测准确率,且在检测速率上具有优势;创新性地提出一种基于无人机可见光图像的单目视觉定位算法,在百米飞行高度上的目标平均定位误差为3.69 m,表明所提算法能准确地获取地面目标的地理位置,具有良好的综合性能与应用前景。

无人机航拍视频码率控制算法优化

高效率视频编码(HEVC)在实际应用中很难满足无人机航拍领域的需求。针对此问题,提出一种基于缓冲区状态及视频显著性的码率控制算法。对预处理后的帧进行颜色、纹理特征提取,并采用log-Gabor滤波器对其进行特征滤波,得到当前帧的显著图;计算每帧和每个最小单元(CTU)的显著性权重;以帧的显著性权重和缓冲区状态指导帧层比特分配,以CTU的显著性权重指导CTU层比特分配。实验结果表明,提出的算法可以在缓冲区维持在一个平稳状态的前提下,提高0.61 dB视频显著区域的峰值信噪比,更适用于无人机航拍的场景。

UAVAI-YOLO:无人机航拍图像的小目标检测模型

针对无人机航拍图像目标检测效果差的问题,提出改进的UAVAI-YOLO模型。首先,为使模型获得更加丰富的语义信息,使用改进可变形卷积网络(deformable convolutional networks,DCN)替换原骨干(back‐bone)网络部分通道到像素(channel-to-pixel,C2f)模块原始卷积。其次,为增加P2特征层而不增加模型参数量,提出Conv_C模块将骨干网络输出通道降维,同时避免通道降维导致的语义信息丢失,使用改进ODConv卷积替换颈部(neck)部分C2f模块原始卷积。然后,为充分利用上下文语义信息,引入双向特征金字塔网络(bidirectional feature pyramid network,BIFPN)。最后使用Wise-IoU替换原始损失函数,提高模型目标检测框的准确性。在公开的VisDrone2019数据集和UAVDT数据集的实验结果表明,UAVAI-YOLO模型相比于原YOLOv8n模型mAP@0.5分别提升了4.4%和1.1%。与其他主流目标检测模型相比具有较高的检测性精度。

无人机航拍在人影作业点风险评估中的应用

为增加人影火箭点作业安全射界范围的探测手段,利用无人机对广东省15个人影火箭作业点进行探测,并尝试建立一套基于无人机航拍的人影火箭作业点风险评估方法,结果表明:无人机航拍技术可以很好地辅助人影火箭作业点风险评估工作。尽量选择能见度较好的晴朗天气开展拍摄工作,拍摄过程中,建议无人机平稳飞行高度保持在100~200m。为保证图像及视频的清晰度,建议录制过程中保持匀速飞行。经过评估,全省15个人影作业点综合风险评估情况可分为4类:评估点均为低风险、评估点风险等级为低风险和中低风险的占比达到60%以上、评估点在各类风险等级中的占比较均匀、评估点风险等级为中高风险和高风险的占比达到40%以上。

电视节目中无人机航拍镜头的艺术表现力研究

本文研究了电视节目中无人机航拍镜头的艺术表现力。文章首先介绍了无人机航拍镜头在电视节目制作中的重要性,然后从创造视觉冲击力、捕捉细节与呈现故事情节、呈现自然与人类建筑的融合三个方面探讨了无人机航拍镜头的艺术表现力。最后,文章列举了无人机航拍镜头在新闻报道、纪录片、综艺娱乐、广告和体育类节目中的应用实例,表明无人机航拍技术为电视节目制作带来了更多的创新和可能性。

无人机航拍技术在测绘工程测量中的应用

在测绘工程中由于受到地理条件、环境等诸多因素的影响,测量难度较大,危险系数较高,而要获得更加准确的测量数据就需要技术的支持。无人机航拍技术汇集了多种技术手段的优势,不仅可以快速收集、传送、处理多样化的工程测量信息及数据,而且能够借助测量软件将这些信息以图文结合的形式呈现,以便于测绘人员更好地分析。本文在对无人机航拍技术原理及系统组成进行简单分析的基础之上,重点从制图范围、航路、摄影点及分区控制网布设、数据处理、电子制图等方面阐述了此技术在测绘工程测量中应用的要点,并梳理了无人机航拍技术未来应用的前景。

无人机航拍技术在河道巡检中的应用

无人机航拍技术在河道巡检中的应用彰显了其在现代环境监测与管理中的重要价值。通过高精度的传感器和高效的数据处理方法,无人机不仅能实时监测水位和水质,还能对河道的生态环境和结构安全进行全面检查。此技术在应急响应中的应用同样卓越,能够迅速获取受灾区域的详细影像,助力救援决策。然而,挑战如数据处理效率低下和技术应用限制仍需通过进一步的技术创新和策略优化来解决。

基于无人机航拍技术的工程测绘应用研究

随着无人机技术的快速发展,其在工程测绘中的应用日益广泛。本文深入探讨了无人机航拍技术在工程测绘中的应用现状、具体步骤及影响因素。通过设计无人机航拍路线、数据采集和后期处理等流程,构建了一套完善的工程测绘工作方法。实验结果显示,无人机航拍技术具有高测绘精度,显著提升工程测绘效率。但数据也指出,无人机硬件性能、飞行高度、速度和拍摄角度等是影响测绘精度的关键因素。因此,无人机飞行路线和拍摄参数的优化设计,是提高测绘精度的关键。研究结果为以无人机航拍技术作为工程测绘手段提供了理论依据,对提升工程测绘效率和精度具有积极意义。