期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于频域感知特征融合的无人机航拍图像小目标检测算法
1
作者 贾小军 唐彪 +2 位作者 骆淑云 梁诺雷 张春花 《光电工程》 北大核心 2026年第2期52-64,共13页
小目标检测一直是计算机视觉处理中一项极具挑战性的任务,针对传统无人机航拍图像小目标多且密集,而传统检测算法存在漏检、误检的问题,提出一种基于频域感知特征融合的FFC-YOLO(FASFF-FreqFusion-CAA YOLO)目标检测算法。首先,通过增... 小目标检测一直是计算机视觉处理中一项极具挑战性的任务,针对传统无人机航拍图像小目标多且密集,而传统检测算法存在漏检、误检的问题,提出一种基于频域感知特征融合的FFC-YOLO(FASFF-FreqFusion-CAA YOLO)目标检测算法。首先,通过增加P2检测层,重新设计了针对小目标检测的Detect-FASFF(four adaptively spatial feature fusion)检测头结构。然后,将传统的特征融合采样方法替换为频率感知特征融合FreqFusion(frequency-aware feature fusion)方法并结合BiFPN(bidirectional feature pyramid network)结构提升了算法处理密集小目标图像的能力。最后,在C2PSA模块中加入CAA(context anchor attention)注意力机制,增强了目标上下文特征信息的关联。在VisDrone2019数据集中,基于FFC-YOLO目标检测算法的mAP@0.5为40%,较传统算法如Fast-RCNN、RetinaNet分别提升了28.4%、18.6%,较YOLO算法如YOLO v8n、v10n、v11n分别提升了8.0%、7.6%、7.8%。在自建小目标数据集tiny-data中,基于FFC-YOLO的3类目标sperson、lperson和wperson的检测结果较YOLOv11n,mAP@0.5、P、R分别提升了9.2%、8.7%、5.9%。实验结果表明,FFC-YOLO小目标检测算法能够更好地应用于无人机航拍图像检测领域。 展开更多
关键词 ffc-yolo 小目标检测 无人机航拍图像 频域感知特征融合 YOLOv11n
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部