面向复杂道路目标检测的YOLOv5算法优化研究

针对现有目标检测算法对复杂道路场景中小目标、遮挡目标的误检、漏检率较高等问题,提出了基于YOLOv5的复杂道路目标检测的改进模型DPE-YOLO。该改进方法在预设锚框方面,提出基于样本密度的K-means+D聚类算法,生成更有效的预设锚框,缩短收敛路径从而有效提高检测精度;在特征提取方面,设计了PAA模块代替原骨干网络中的C3模块,模块采用对基于注意力机制的多梯度流残差结构设计,可提升对细节信息的提取能力,改善对道路小目标的漏检、误检问题;在定位精度方面,引入EIOU loss,降低模型对遮挡目标的漏检率。实验数据显示,在KITTI数据集和Udacity数据集上,改进算法与原算法相比平均精度均值(mAP)分别提升了2.8个百分点和1.6个百分点,mAP@0.5:0.9分别提升了2.7个百分点和2.9个百分点。实验结果表明,DPE-YOLO有效提升了对复杂道路场景中小目标和遮挡目标的检测性能,能更好地满足自动驾驶场景中的目标检测需求。

改进YOLOv5的无人机航拍图像目标检测算法

针对无人机航拍图像目标检测中目标尺度多样、相似目标众多、目标聚集导致的目标漏检、误检问题,提出了改进YOLOv5的无人机航拍图像目标检测算法DA-YOLO。提出由特征图注意力生成器和动态权重学习模块组成的多尺度动态特征加权融合网络,特征图注意力生成器融合处理不同尺度目标更重要的特征,权重学习模块自适应地调节对不同尺度目标特征的学习,该网络可增强在目标尺度多样下的辨识度从而降低目标漏检。设计一种并行选择性注意力机制(PSAM)添加到特征提取网络中,该模块通过动态融合空间信息和通道信息,加强特征的表达获得更优质的特征图,提高网络对相似目标的区分能力以减少误检。使用Soft-NMS代替YOLOv5中采用的非极大值抑制(NMS)以改善目标聚集场景下的漏检、误检。实验结果表明,改进算法在VisDrone数据集上检测精度达到37.79%,相比于YOLOv5s算法精度提高了5.59个百分点,改进后的算法可以更好地应用于无人机航拍图像目标检测中。

基于边缘特征融合网络的图像去噪方法

目前大多数图像去噪算法在去除噪声的同时,通常会丢失图像的边缘细节信息.针对这一问题,提出了一种基于边缘特征融合的图像去噪方法.首先,通过基于Canny算子的边缘提取网络提取图像的边缘信息,由于Canny算子不需要训练,这在很大程度上缩短了去噪时间;其次,通过基于残差密集连接的初去噪网络来保证训练的稳定性以及避免梯度消失,实现图像的初步去噪;最后,通过基于信道与空间注意力机制的融合网络将提取的边缘信息图像与初步去噪图像充分融合,自适应地给相对重要的边缘信息分配更大的权值,对图像的边缘细节进行增强,以得到具有更多边缘信息的清晰图像.实验结果表明,在BSD68和Set12数据集上,与常见的DnCNN、BM3D等去噪方法相比,所提出去噪方法的平均PSNR比DnCNN分别高出0.13 dB、0.29 dB,比BM3D分别高出0.76 dB、0.82 dB,在视觉效果上看也保留了更多的图像细节,同时去噪速率也大幅度的提高.