面向无人机视角下小目标检测的YOLOv8s改进模型

从无人机视角进行目标检测,面临图像目标小、分布密集、类别不均衡等难点,且由于无人机的硬件条件限制了模型的规模,导致模型的准确率偏低。提出一种融合多种注意力机制的YOLOv8s改进模型,在骨干网络中引入感受野注意力卷积和CBAM(concentration-based attention module)注意力机制改进卷积模块,解决注意力权重参数在感受野特征中共享问题的同时,在通道和空间维度加上注意力权重,增强特征提取能力;通过引入大型可分离卷积注意力思想,改造空间金字塔池化层,增加不同层级特征间的信息交融;优化颈部结构,增加具有丰富小目标语义信息的特征层;使用inner-IoU损失函数的思想改进MPDIoU(minimum point distance based IoU)函数,以innerMPDIoU代替原损失函数,提升对困难样本的学习能力。实验结果表明,改进后的YOLOv8s模型在VisDrone数据集上mAP、P、R分别提升了16.1%、9.3%、14.9%,性能超过YOLOv8m,可以有效应用于无人机平台上的目标检测任务。

基于改进YOLOv5网络模型的无人机影像道路目标检测

针对无人机遥感道路影像内目标分布混乱且尺寸差异大、负样本所占比例较高等问题,提出了基于YOLOv5X的无人机遥感影像道路目标检测模型RA_YOLOv5。采用感受野-坐标注意力卷积替换骨干网络内的常规卷积核,然后以空洞-空间金字塔池化-通道注意力层替换原始特征金字塔池化层;在特征融合网络中引入自适应特征融合层,通过特征图加权融合解决不同尺寸检测图之间样本、背景矛盾的问题;使用解耦检测头分别计算回归、分类任务,并替换损失函数以缓解正负样本不均衡问题。实验结果表明,RA_YOLOv5在VisDrone数据集上平均精度均值达到90.42%,较YOLOv5X提高了7.85%,在测试环境下,检测帧数达到35.46帧每秒,能够实际输出检测结果,同时具有良好的稳定性,能够在道路巡检、交通流量监控、应急事故处理等多种场景下发挥重要作用。