一种融合注意力机制的无人机目标分割算法

由于低空空域无人机具有尺寸小、飞行灵活等特点,给视觉检测非法入侵无人机带来困难,提出一种融合注意力机制的低空无人机目标分割算法,命名为Rep-YOLACT(re-parameterization-you only look at coefficients network),首先采用RepVGG(rep visual geometry group)网络改进YOLACT网络中ResNet(residual network)主干,增强网络的特征提取能力,同时在主干特征提取网络输出的3个特征层后添加CBAM(convolutional block attention module)注意力模块,从而进一步高效利用特征层的信息.分别在FL-drones(flying drones dataset)数据集和MUD(multiscale unmanned aerial vehicle dataset)数据集上进行实验,结果表明,在FL-drones数据集上,所提出的Rep-YOLACT算法相比于YOLACT算法在掩膜AP(average precision)和掩膜AR(average recall)上分别提升了0.3%和11.7%,在MUD数据集上,所提出的Rep-YOLACT算法相比于YOLACT算法掩膜AP和预测框AR上提升了2.3%和5%,能够很好地完成无人机分割任务,其分割精度也高于其它主流分割算法.