深度学习技术可显著提高军事作战中坦克目标识别的准确率和速度,减少误判和漏检,从而降低人员伤亡和战争损失。为了解决大型、复杂、耗时的模型可能会受限于计算资源、存储和能耗等方面的问题,提出了一种基于YOLOv5轻量化目标检测器。通...深度学习技术可显著提高军事作战中坦克目标识别的准确率和速度,减少误判和漏检,从而降低人员伤亡和战争损失。为了解决大型、复杂、耗时的模型可能会受限于计算资源、存储和能耗等方面的问题,提出了一种基于YOLOv5轻量化目标检测器。通过C2f based on attention mechanism模块丰富梯度流信息并进一步加速运算;Lead Head与Aux Head的有机结合平衡正负样本提高模型对遮挡小坦克目标识别漏检的能力;利用FasterNet作为特征提取网络,解决了参数量大、算力要求高的问题。实验结果表明:相较于原始YOLOv5,改进后的模型Map0.5、mAP0.5:0.95分别提高了1.2%和4.2%,参数量、GFLOPs以及Best.pt分别降低了32.3%、27.59%和26.01%。改进后的YOLOv5模型可以非常快速精准识别坦克目标,通过模型的轻量化使其更容易在移动端和嵌入式设备上部署。展开更多
文摘深度学习技术可显著提高军事作战中坦克目标识别的准确率和速度,减少误判和漏检,从而降低人员伤亡和战争损失。为了解决大型、复杂、耗时的模型可能会受限于计算资源、存储和能耗等方面的问题,提出了一种基于YOLOv5轻量化目标检测器。通过C2f based on attention mechanism模块丰富梯度流信息并进一步加速运算;Lead Head与Aux Head的有机结合平衡正负样本提高模型对遮挡小坦克目标识别漏检的能力;利用FasterNet作为特征提取网络,解决了参数量大、算力要求高的问题。实验结果表明:相较于原始YOLOv5,改进后的模型Map0.5、mAP0.5:0.95分别提高了1.2%和4.2%,参数量、GFLOPs以及Best.pt分别降低了32.3%、27.59%和26.01%。改进后的YOLOv5模型可以非常快速精准识别坦克目标,通过模型的轻量化使其更容易在移动端和嵌入式设备上部署。
