针对无人机视角下的目标存在多尺度、目标小、被遮挡与背景复杂等问题,提出了一种基于动态样本注意力尺度序列的YOLOv8改进算法BDAD-YOLO。通过引入BiFormer的思想来改造原模型骨干结构,提高模型对关键信息的关注度,更好地保留目标细粒...针对无人机视角下的目标存在多尺度、目标小、被遮挡与背景复杂等问题,提出了一种基于动态样本注意力尺度序列的YOLOv8改进算法BDAD-YOLO。通过引入BiFormer的思想来改造原模型骨干结构,提高模型对关键信息的关注度,更好地保留目标细粒度细节信息。由于目标存在大小、位置等多变性,传统卷积并不能很好地处理这一情况,因此基于DCN(deformable convolutional network)的思想,设计了一种可以增强对小目标特征提取的C2_DCf模块,从而进一步提高颈部网络中小目标层对特征信息的融合。提出一种基于动态样本的注意力尺度序列融合框架AFD(attention-scale sequence fusion framework based on dynamic samples),使用轻量化动态点采样并通过融合不同尺度的特征图来增强网络提取多尺度信息的能力。使用WIoU损失函数,改善小目标低质量数据对梯度的不利影响,以加快网络收敛速度。实验结果表明,在VisDrone数据集中的val集与test集上平均精度(mAP@0.5)分别提升了4.6个百分点、3.7个百分点,在DOTA数据集上平均精度(mAP@0.5)提升了2.4个百分点,证明了改进算法的有效性和普适性。展开更多
针对目前咖啡果实的成熟度主要依赖人工判断且果实相互遮挡导致识别难度大的问题,文章提出一种改进的YOLOv8模型的咖啡果实成熟度检测方法。首先,在Backbone端使用iRMB(Inverted Residual Mobile Block)混合网络模块替换C2f(CSP Bottlen...针对目前咖啡果实的成熟度主要依赖人工判断且果实相互遮挡导致识别难度大的问题,文章提出一种改进的YOLOv8模型的咖啡果实成熟度检测方法。首先,在Backbone端使用iRMB(Inverted Residual Mobile Block)混合网络模块替换C2f(CSP Bottleneck with 2 Convolutions),增强模型特征表示能力;其次,引入BiFormer注意力机制,增强对遮挡和小目标果实的检测能力,更换CARAFE(Content-Aware ReAssembly of Features)上采样算子,拓宽感受视野;最后,引入Wise-IOU损失函数,加速模型收敛。经验证,相比于原算法,改进算法的精确率、召回率、平均精确率分别提升了6.1百分点、1.0百分点、2.9百分点。研究结果表明,改进的YOLOv8模型可以为咖啡果实的成熟度检测提供有效参考。展开更多
文摘针对无人机视角下的目标存在多尺度、目标小、被遮挡与背景复杂等问题,提出了一种基于动态样本注意力尺度序列的YOLOv8改进算法BDAD-YOLO。通过引入BiFormer的思想来改造原模型骨干结构,提高模型对关键信息的关注度,更好地保留目标细粒度细节信息。由于目标存在大小、位置等多变性,传统卷积并不能很好地处理这一情况,因此基于DCN(deformable convolutional network)的思想,设计了一种可以增强对小目标特征提取的C2_DCf模块,从而进一步提高颈部网络中小目标层对特征信息的融合。提出一种基于动态样本的注意力尺度序列融合框架AFD(attention-scale sequence fusion framework based on dynamic samples),使用轻量化动态点采样并通过融合不同尺度的特征图来增强网络提取多尺度信息的能力。使用WIoU损失函数,改善小目标低质量数据对梯度的不利影响,以加快网络收敛速度。实验结果表明,在VisDrone数据集中的val集与test集上平均精度(mAP@0.5)分别提升了4.6个百分点、3.7个百分点,在DOTA数据集上平均精度(mAP@0.5)提升了2.4个百分点,证明了改进算法的有效性和普适性。
文摘针对目前咖啡果实的成熟度主要依赖人工判断且果实相互遮挡导致识别难度大的问题,文章提出一种改进的YOLOv8模型的咖啡果实成熟度检测方法。首先,在Backbone端使用iRMB(Inverted Residual Mobile Block)混合网络模块替换C2f(CSP Bottleneck with 2 Convolutions),增强模型特征表示能力;其次,引入BiFormer注意力机制,增强对遮挡和小目标果实的检测能力,更换CARAFE(Content-Aware ReAssembly of Features)上采样算子,拓宽感受视野;最后,引入Wise-IOU损失函数,加速模型收敛。经验证,相比于原算法,改进算法的精确率、召回率、平均精确率分别提升了6.1百分点、1.0百分点、2.9百分点。研究结果表明,改进的YOLOv8模型可以为咖啡果实的成熟度检测提供有效参考。
