基于改进Yolov3的飞机目标检测算法

为了解决军用飞机目标检测过程中难以兼顾检测精度与检测速度的问题,提出了一种新的飞机目标检测算法。该算法建立在Yolov3的基础上,其特点是在保证检测速度的情况下,大幅提升检测精度。在提出的方法中,首先使用K-Means++聚类算法,解决了由随机初始化聚类中心带来的误差问题;其次对通过聚类得到的先验框(Anchors)进行线性拉伸,使其在贴合数据集目标大小的同时具有不同的尺度;再次,用CARAFE上采样算子构建上采样过程,使得网络能够捕捉到丰富的语义信息;最后,在网络中加入改进的通道显著性注意力机制CS-SE,使得网络能够有效关注图像前景内容,从而提高检测精度。实验表明,相比于Yolov3,所提方法 mAP@0.5增加了5.3%,mAP@0.5:0.95增加了8.0%,提高了飞机的目标检测准确率和可靠性,减少误判和漏判,使其在不同的气象条件、光线条件和目标形态下实现准确的目标检测。