基于YOLOv5s模型的边界框回归损失函数研究

针对车辆检测中边界框回归损失函数与检测目标尺度不匹配导致的误检、漏检以及精度较低等问题,基于YOLOv5s模型对4种有代表性的边界框回归损失函数进行对比实验,并在UA-DETRA、VisDrone2019、KITTI数据集上进行验证,利用漏检率、误检率、准确率、召回率、mAP@0.5、迭代过程的边界框损失值以及目标检测结果对其适用场景进行分析研究。结果显示:CIoU整体性能最差;SIoU在KITTI数据集上整体性能最优,准确率最高,达到了94.5%,漏检率降到了1.2%,适用于中尺度目标检测任务;Focal-EIoU在VisDrone2019数据集中各项指标远优于其他损失函数,召回率和mAP@0.5指标相较于CIoU分别提高了1.6%和1.8%,误检率降低了6.9%,且迭代过程损失值远低于其他损失函数,适用于小尺度目标检测任务;WIoU在UA-DETRA数据集整体性能最优,漏检率、召回率以及mAP@0.5指标优于其他损失函数,适用于大尺度目标检测任务。此研究为目标检测任务的边界框回归损失函数的选择提供了重要的基础。

改进YOLOv5s的车载红外图像目标检测

针对车载红外图像分辨率低、目标小且细节模糊导致检测精度不高的问题,提出了一种基于改进YOLOv5s的目标检测网络。网络对SPP模块进行改进和添加,然后在骨干网络中嵌入了坐标注意力模块,将位置信息嵌入到通道注意力中,使得网络能够在更大的区域上进行注意力,更多地关注重要的目标特征,提高模型的表现力。最后用EIOU边界框损失函数替换CIOU Loss,进一步提高网络的检测精度。在FLIR车载红外图像数据集的测试集上的实验表明,改进模型较YOLOv5s网络mAP@0.5值提升了3.4%,且几乎不影响检测速度和模型权重大小,满足体积小和轻量化的需求,适合部署到车载嵌入式系统中。

面向内河航运安全监控的多尺度船舶图像目标识别方法

针对YOLOv3算法中IoU边界框回归损失函数对小尺度船舶预测框容易产生误识及漏识问题,利用目标预测框与真实框的最小闭包区域和关键点的归一化距离,提出一种新的损失函数MIoU,该损失函数可显著提升多尺度船舶目标预测框的回归速度及精度。实验表明:提出的YOLOv3-MIoU算法对六类船舶的识别精度均超过97%,mAP值达到98.44%;与采用其他损失函数方法相比,YOLOv3-MIoU在不同尺度及不同类型船舶识别中均具有较高的识别准确率,特别对渔船等小尺度船舶识别准确率较其他方法提升3%以上,可以达到内河航运安全监控的应用需求。

基于YOLOv3的农田鸟类目标检测算法

针对近年来鸟类啄食对农业生产带来的损失,通过实时检测鸟类优化传统驱鸟器开关策略,提出了一种基于YOLOv3检测鸟类的目标检测算法。该方法对YOLOv3网络中特征融合进行改进,将SE模块嵌入进主干网络的Darknet53网络中,关注不同通道特征的重要程度。采用自适应空间特征融合(ASFF)增强网络中特征金字塔网络(FPN)的特征融合,提升各尺度的检测能力。引入CIOU边界框回归损失函数,将预测框和目标框在有重叠甚至包含等情况考虑进去,使目标框回归变得更加准确和稳定。改进后的YOLOv3模型在自制鸟类数据集上的精度均值(AP)达到96.65%,单张图像检测耗时仅为0.058 s,相比于原YOLOv3模型在检测速度变化不大的情况下AP提高了2.54百分点。该改进方法能达到很好的实时性和更佳的检测精度,对农田防治鸟害优化驱鸟器开关策略提供依据。