战斗部破片群运动参数对弹药毁伤威力评估具有重要的意义。针对破片尺寸较小、背景信息复杂以及破片数据样本少导致的破片检测精度较低的问题,本文提出一种YOLOv5-FD的战斗部破片群目标检测方法。首先,在网络输出端增加微小目标检测层,...战斗部破片群运动参数对弹药毁伤威力评估具有重要的意义。针对破片尺寸较小、背景信息复杂以及破片数据样本少导致的破片检测精度较低的问题,本文提出一种YOLOv5-FD的战斗部破片群目标检测方法。首先,在网络输出端增加微小目标检测层,将原始的三尺度改为四尺度,并在特征融合网络中引入内容感知特征重组(Content Aware ReAssembly of Features,CARAFE)上采样模块替换原有的最近邻插值上采样,减少小目标特征信息损失,提高弱小破片的提取能力。其次,在特征提取网络引入坐标注意力模块(Coordinate Attention,CA),加强对破片特征的提取,弱化背景信息,抑制复杂背景的干扰。最后,在模型训练过程中引入模型不可知元学习方法(Model Agnostic Meta Learning,MAML),达到仅用小样本破片数据集实现较高的检测性能。实验结果表明,YOLOv5-FD破片检测算法在自制破片数据集中,精确率达到了90.5%,召回率达到了85.4%,平均精度mAP_0.5达到了88.2%,与原始YOLOv5s算法相比分别提高了7.1%,7.9%和7.5%,有效提高了破片目标检测准确性。展开更多
在自动驾驶场景中,针对复杂背景对车辆和行人检测目标影响大、小目标检测精度不高的问题,提出一种基于内容感知重组特征和自适应融合的YOLOv5(content-aware reassembly of feature and adaptive fusion YOLOv5,CRAF-YOLOv5)车辆及行人...在自动驾驶场景中,针对复杂背景对车辆和行人检测目标影响大、小目标检测精度不高的问题,提出一种基于内容感知重组特征和自适应融合的YOLOv5(content-aware reassembly of feature and adaptive fusion YOLOv5,CRAF-YOLOv5)车辆及行人检测算法。通过引入通道注意力机制形成多通道特征提取网络,增强复杂背景下目标特征的提取性能;在特征融合前段,通过内容感知重组特征进行上采样,并添加基于跳跃连接结构,强化浅层网络对小目标特征的表征能力;在特征融合后段,采用自适应权重融合方式学习不同尺度特征,实现深层和浅层特征的动态学习和深度融合。实验结果表明,该算法在BDD100K和KITTI数据集上车辆行人目标检测平均均值精度分别达到84.40%和93.35%,较YOLOv5基准算法分别提高了3.90%和0.45%。展开更多
文摘战斗部破片群运动参数对弹药毁伤威力评估具有重要的意义。针对破片尺寸较小、背景信息复杂以及破片数据样本少导致的破片检测精度较低的问题,本文提出一种YOLOv5-FD的战斗部破片群目标检测方法。首先,在网络输出端增加微小目标检测层,将原始的三尺度改为四尺度,并在特征融合网络中引入内容感知特征重组(Content Aware ReAssembly of Features,CARAFE)上采样模块替换原有的最近邻插值上采样,减少小目标特征信息损失,提高弱小破片的提取能力。其次,在特征提取网络引入坐标注意力模块(Coordinate Attention,CA),加强对破片特征的提取,弱化背景信息,抑制复杂背景的干扰。最后,在模型训练过程中引入模型不可知元学习方法(Model Agnostic Meta Learning,MAML),达到仅用小样本破片数据集实现较高的检测性能。实验结果表明,YOLOv5-FD破片检测算法在自制破片数据集中,精确率达到了90.5%,召回率达到了85.4%,平均精度mAP_0.5达到了88.2%,与原始YOLOv5s算法相比分别提高了7.1%,7.9%和7.5%,有效提高了破片目标检测准确性。
文摘在自动驾驶场景中,针对复杂背景对车辆和行人检测目标影响大、小目标检测精度不高的问题,提出一种基于内容感知重组特征和自适应融合的YOLOv5(content-aware reassembly of feature and adaptive fusion YOLOv5,CRAF-YOLOv5)车辆及行人检测算法。通过引入通道注意力机制形成多通道特征提取网络,增强复杂背景下目标特征的提取性能;在特征融合前段,通过内容感知重组特征进行上采样,并添加基于跳跃连接结构,强化浅层网络对小目标特征的表征能力;在特征融合后段,采用自适应权重融合方式学习不同尺度特征,实现深层和浅层特征的动态学习和深度融合。实验结果表明,该算法在BDD100K和KITTI数据集上车辆行人目标检测平均均值精度分别达到84.40%和93.35%,较YOLOv5基准算法分别提高了3.90%和0.45%。
