基于Ghost模块的改进YOLOv5目标检测算法

现有以YOLOv5为代表的目标检测技术,存在骨干网络对特征提取不充分以及颈部层未高效融合浅层位置信息和深层高级语义信息等问题,这会导致检测精度较低,小目标误检、漏检。针对此问题,从兼顾实时性与检测精度出发,对YOLOv5进行改进,提出一种改进网络YOLOv5-CBGhost。首先在骨干网络中引入Ghost模块对模型进行轻量化处理,引入CA模块来更好地获得全局感受野,提高模型获取目标位置的准确度;然后借鉴双向加权特征金字塔网络,对原PAN结构进行改进,有效减少了特征冗余以及参数量,并通过跨层加权连接融合更多特征,提高了模型的目标检测精度;最后,增加多检测头以获取图片更丰富的高层语义信息,有效增加了检测精度。通过在PASCAL VOC2007+2012数据集上实验,YOLOv5-CBGhost的目标精度达到81.8%,相较于YOLOv5s,提高了3.0%,计算量减少42.5%,模型大小减少3.5%。

PAN基碳纳米微球的制备及表征

通过种子乳液聚合得到聚丙烯腈/聚甲基丙烯酸甲酯(PAN/PMMA)核壳结构的纳米微球。将经冷冻干燥后得到的PAN/PMMA纳米微球进行预氧化和炭化处理,成功制备出粒径为50 nm的碳纳米微球(Carbon Nanospheres,CNSs)。并利用光散射、傅立叶红外线光谱(FTIR)、透射电镜(TEM)等技术对所合成的PAN/PMMA纳米微球和CNSs进行分析。实验结果表明,PMMA的加入有利于降低PAN基CNSs的粒径,且炭化温度在500～600℃之间得到的CNSs的分散性最好。

基于改进YOLO-v3的无人机遥感图像农村地物分类

随着新农村的建设,农业用地的规划和利用也变得至关重要。针对传统地物分类方法效率低、自动化程度不高等问题,提出基于YOLO-v3改进模型的农村地物检测分类方法。该方法在YOLO-v3的Res4结构的基础上添加SPP层,有效地提升了模型对多尺寸目标的适应能力,在一定程度上提高了模型的泛化能力。同时,在FPN层添加PAN结构,增加了定位信息的语义特征,对于模型的检测精度提升明显。实验结果表明,提出的改进YOLO-v3模型在Air数据集的mAP达到了0.726,相较YOLO-v3模型,在精度、检测效率和模型的泛化能力上都有所提升。