针对无人机航拍具有多角度、大视角、大规模场景的特点,使无人机航拍图像存在小目标对象较多、背景复杂和特征提取困难的问题,提出了一种新的模型CA-NWD-YOLOv5(Coordinate Attention-Normalized Wasserstein Distance-You Only Look On...针对无人机航拍具有多角度、大视角、大规模场景的特点,使无人机航拍图像存在小目标对象较多、背景复杂和特征提取困难的问题,提出了一种新的模型CA-NWD-YOLOv5(Coordinate Attention-Normalized Wasserstein Distance-You Only Look Once v5)。该模型以YOLOv5模型为基础,在头部网络添加了多尺度检测层以提取小目标特征,同时在骨干网络加入了CA注意力机制,避免模型忽略目标的位置信息。最后,使用归一化Wasserstein距离损失函数代替基于交并比的损失函数,加强了模型对微小目标的敏感程度。在VisDrone2019数据集上的实验表明,相比改进前的YOLOv5模型,CA-NWD-YOLOv5模型可有效提升无人机航拍图像中小目标的检测精度,改进后算法的mAP_0.5达到了50%,可以有效应用于航拍小目标的检测。展开更多
文摘针对无人机航拍具有多角度、大视角、大规模场景的特点,使无人机航拍图像存在小目标对象较多、背景复杂和特征提取困难的问题,提出了一种新的模型CA-NWD-YOLOv5(Coordinate Attention-Normalized Wasserstein Distance-You Only Look Once v5)。该模型以YOLOv5模型为基础,在头部网络添加了多尺度检测层以提取小目标特征,同时在骨干网络加入了CA注意力机制,避免模型忽略目标的位置信息。最后,使用归一化Wasserstein距离损失函数代替基于交并比的损失函数,加强了模型对微小目标的敏感程度。在VisDrone2019数据集上的实验表明,相比改进前的YOLOv5模型,CA-NWD-YOLOv5模型可有效提升无人机航拍图像中小目标的检测精度,改进后算法的mAP_0.5达到了50%,可以有效应用于航拍小目标的检测。
