改进YOLOv8n的道路目标检测算法

针对道路场景中目标尺度多变、复杂背景干扰导致检测精度低、漏检率高的问题,提出一种改进YOLOv8n的道路目标检测算法。引入多样化分支块(diverse branch block,DBB)构建C2fDBB模块,替代原算法中的C2f模块,增强网络多尺度特征提取能力。在路径聚合网络(path aggregation network,PANet)的基础上结合渐进特征金字塔网络(asymptotic feature pyramid network,AFPN)思想,提出PA-AFPN(path aggregation progressive feature pyramid network)特征融合方式,提升网络对多尺度特征的融合能力。设计SPPF2_TA(SPPF with dual-branch structure incorporating triplet attention)模块,通过在SPPF(spatial pyramid pooling fast)中引入平均池化分支和三重注意力机制(triplet attention,TA),有效整合多尺度信息,降低背景干扰对检测的影响。采用MPDIoU作为新边界回归损失函数,替代原损失函数,加速算法收敛,提高目标定位精度。在公开道路目标数据集BDD100K和SODA10M上的实验结果显示,改进方法的mAP@0.5相较于基线算法分别提升了5.7个百分点和7.3个百分点,计算量降低了0.6 GFLOPs。与其他主流目标检测方法相比,改进方法在计算量、FPS和mAP@0.5等方面均展现出显著优势,更加契合道路场景下的目标检测任务需求。

基于改进YOLOv8n的钢材表面缺陷检测

为解决钢材表面缺陷检测中面临的缺陷类型繁多、尺寸差异显著以及现有模型复杂度高、检测精度不足等问题,本文提出了一种基于改进YOLOv8n的检测算法YOLOv8-ODAW。首先,引入全维动态卷积(ODConv)增强对多维度特征的捕捉能力,减少信息损失;其次,嵌入渐进特征金字塔网络(AFPN)改善特征融合过程,实现了非相邻层级特征间的直接交互,有效缓解语义断层。最后,采用动态非单调聚焦机制的Wise-IoUv3损失函数优化边界框回归,加快网络收敛的同时提高检测精度。在NEU-DET数据集上进行多组实验,结果表明,改进后的YOLOv8-ODAW网络模型相比原网络模型mAP50%提升了7.3%、GFLOPs下降了21.95%,展现出对钢材表面缺陷更佳的定位与识别能力,且检测速度满足工业应用需求。

结合渐进式特征金字塔和极化自注意力机制的海雾图像检测

通过对基准模型SegFormer进行两方面的改进优化,开展面向海雾图像检测方法的研究。一方面,引入渐进式特征金字塔融合模块(AFPN),有效融合海雾图像的局部和全局特征,提升模型对不同大小的海雾目标的检测能力。另一方面,引入极化自注意力机制(PSA),有效聚焦图像的细粒度空间信息,捕获海雾的边缘特征,提升模型在云雾混合区域的海雾检测能力。在真实的海雾图像数据集上进行消融实验和对比实验,所提出的模型(简称为AFPSSegFormer),与基准模型相比,mIoU、Precision和m PA指标分别提升了2.38%、2.78%与0.31%,验证了所提出模型在海雾检测方面的有效性。

多尺度渐近特征融合的遥感目标检测算法研究

针对遥感图像目标尺度多样、小目标密集、背景环境复杂导致检测时出现的漏检及误检等问题,提出一种基于YOLOv8n改进的多尺度渐近特征融合的遥感目标检测算法。首先,构建结合多尺度残差网络的Res2C2f模块,更有效地捕捉不同尺度的特征;其次,设计跨级连接金字塔池化模块来改善原金字塔池化模块特征提取能力不足的问题;然后,重构多尺度的渐近特征融合网络来实现多尺度信息的交换,充分利用不同层级的特征来增强特征融合效果;最后,增加160×160尺寸的小目标检测层,提升模型在密集场景下对小目标的检测效果。在DOTA数据集中,相比基线模型,改进算法的精确率、召回率、平均精度均值分别提升了4.8、4.0和3.7个百分点。