针对农作物害虫检测中害虫目标被遮挡、体色与环境相近等情况导致的目标检测准确率不高的问题,提出了一种基于RT-DETR的农作物害虫检测算法RT-DETR-SDIC。首先,原主干网络的前两层(S2,S3)引入多样分支残差模块(Diverse Branch Residual ...针对农作物害虫检测中害虫目标被遮挡、体色与环境相近等情况导致的目标检测准确率不高的问题,提出了一种基于RT-DETR的农作物害虫检测算法RT-DETR-SDIC。首先,原主干网络的前两层(S2,S3)引入多样分支残差模块(Diverse Branch Residual Block,DBRB),利用多分支拓扑结构以及不同规模的路径提取多尺度的特征信息,在原主干网络的后两层(S4,S5)引入了结合级联注意力的倒立残差移动模块(Invert Residual Mobile Block with Cascade Group Attention,IRMB_CGA),弥补了原主干网络中长距离语义信息无法直接交互的问题,增强了对环境特征的辨别能力;其次,在特征融合网络中,增加了无参数注意力的空间到深度融合层(Space to Depth Convolution with Attention,SPA)提取细粒度的信息,设计了内容引导融合模块(Context Guide Fusion Module,CGFM)来引导多尺度特征融合。实验结果表明模型RT-DETR-SDIC参数下降了19.6%,计算量下降了9.9%,P_(mA,0.5)上升了6.2%,P_(mA,0.5:0.95)上升了2.6%。展开更多
文摘针对农作物害虫检测中害虫目标被遮挡、体色与环境相近等情况导致的目标检测准确率不高的问题,提出了一种基于RT-DETR的农作物害虫检测算法RT-DETR-SDIC。首先,原主干网络的前两层(S2,S3)引入多样分支残差模块(Diverse Branch Residual Block,DBRB),利用多分支拓扑结构以及不同规模的路径提取多尺度的特征信息,在原主干网络的后两层(S4,S5)引入了结合级联注意力的倒立残差移动模块(Invert Residual Mobile Block with Cascade Group Attention,IRMB_CGA),弥补了原主干网络中长距离语义信息无法直接交互的问题,增强了对环境特征的辨别能力;其次,在特征融合网络中,增加了无参数注意力的空间到深度融合层(Space to Depth Convolution with Attention,SPA)提取细粒度的信息,设计了内容引导融合模块(Context Guide Fusion Module,CGFM)来引导多尺度特征融合。实验结果表明模型RT-DETR-SDIC参数下降了19.6%,计算量下降了9.9%,P_(mA,0.5)上升了6.2%,P_(mA,0.5:0.95)上升了2.6%。
