针对金属表面缺陷检测任务中检测目标小、尺度变化大、背景复杂等问题,提出了一种基于RTDETR(real-time detection Transformer)的改进模型——HAS-DETR(high accurancy for small object-DETR)。HAS-DETR通过在骨干网络中引入复合差分...针对金属表面缺陷检测任务中检测目标小、尺度变化大、背景复杂等问题,提出了一种基于RTDETR(real-time detection Transformer)的改进模型——HAS-DETR(high accurancy for small object-DETR)。HAS-DETR通过在骨干网络中引入复合差分卷积,增强对小目标的特征提取能力;构建双重多尺度特征融合模块,有效捕获全局语义信息与细节特征,解决目标尺度变化大的问题;设计全局多尺度注意力机制,替代AIFI(attentionbased intra-scale feature interaction)模块中的多头注意力机制,提高模型在复杂背景和多尺度目标场景中的鲁棒性和精确度。在金属表面缺陷数据集上,HAS-DETR在mAP50和mAP50-95上分别较RT-DETR提升了6.5%和4.5%;在公开ADPPP数据集上,mAP50提升了2%,mAP50-95提升了1.3%。实验结果表明:HAS-DETR在保持较高检测效率的同时,有效提升了在复杂背景中对小目标的检测精度,具有良好的实际应用前景。展开更多
针对遥感图像小目标检测中存在的目标尺寸过小、背景复杂、特征难以提取以及RT-DETR算法参数量过大、预测速度过慢、难以应用于实际生产等问题,提出了一种基于RT-DETR的轻量化改进算法LERT-DETR(Lightweight and Efficient Real-Time DE...针对遥感图像小目标检测中存在的目标尺寸过小、背景复杂、特征难以提取以及RT-DETR算法参数量过大、预测速度过慢、难以应用于实际生产等问题,提出了一种基于RT-DETR的轻量化改进算法LERT-DETR(Lightweight and Efficient Real-Time DEtection TRansformer)。首先,提出P-RepConv模块,替换主干网络BasicBlock中的卷积模块实现轻量化的同时提升精度。其中,PConv模块降低算法参数量,提高模型检测速度,融入的RepConv模块提高小目标检测精度,并且消除因减少参数量带来的精度下降、特征提取不完全等影响。其次,将DySample添加至上采样模块中。在不影响原有上采样功能的前提下,引入偏移量的计算,避免图像出现伪影问题影响特征的提取,进而导致准确度下降。最后,提出了DBBS-RepC3模块。利用多分支结构提升模型对特征的提取能力,以适应各种复杂场景,添加的EASPPF模块将单层平均池化改为多层平均池化融合,增强全局特征提取能力。在DIOR数据集上对不同算法进行对比实验,实验结果表明:LERT-DETR算法明显优于其他主流算法,相比RT-DETR,在数据集DIOR上的mAP@0.5提高了2.2%,参数量下降了29.4%,运算量减少了24.8%。展开更多
文摘针对金属表面缺陷检测任务中检测目标小、尺度变化大、背景复杂等问题,提出了一种基于RTDETR(real-time detection Transformer)的改进模型——HAS-DETR(high accurancy for small object-DETR)。HAS-DETR通过在骨干网络中引入复合差分卷积,增强对小目标的特征提取能力;构建双重多尺度特征融合模块,有效捕获全局语义信息与细节特征,解决目标尺度变化大的问题;设计全局多尺度注意力机制,替代AIFI(attentionbased intra-scale feature interaction)模块中的多头注意力机制,提高模型在复杂背景和多尺度目标场景中的鲁棒性和精确度。在金属表面缺陷数据集上,HAS-DETR在mAP50和mAP50-95上分别较RT-DETR提升了6.5%和4.5%;在公开ADPPP数据集上,mAP50提升了2%,mAP50-95提升了1.3%。实验结果表明:HAS-DETR在保持较高检测效率的同时,有效提升了在复杂背景中对小目标的检测精度,具有良好的实际应用前景。
