提出一种基于YOLO11n的船舶红外图像目标检测算法AGT-YOLO,旨在解决模型精度和召回率偏低、小目标识别困难以及复杂海况下的多尺度识别问题。通过引入改进后的GhostHGNetv2网络,增强背景区分能力;设计ASF-P2优化颈部网络,以提升对低分...提出一种基于YOLO11n的船舶红外图像目标检测算法AGT-YOLO,旨在解决模型精度和召回率偏低、小目标识别困难以及复杂海况下的多尺度识别问题。通过引入改进后的GhostHGNetv2网络,增强背景区分能力;设计ASF-P2优化颈部网络,以提升对低分辨率图像和极小目标的检测能力;研究任务自适应对齐检测头(Task Adaptive Alignment Detection Head, TAADH)替换原有检测头,提升定位和分类性能;同时,融入AFGCAttention注意力机制,提高全局信息处理能力和模型的泛化能力。实验结果表明,与基准模型YOLO11n相比,AGT-YOLO的召回率提高了4.4%,平均精度均值@50(mean Average Precision at IoU=0.5,mAP@50)提高了3.1%,并在复杂环境下展现出较强的多尺度识别能力和鲁棒性。展开更多
文摘提出一种基于YOLO11n的船舶红外图像目标检测算法AGT-YOLO,旨在解决模型精度和召回率偏低、小目标识别困难以及复杂海况下的多尺度识别问题。通过引入改进后的GhostHGNetv2网络,增强背景区分能力;设计ASF-P2优化颈部网络,以提升对低分辨率图像和极小目标的检测能力;研究任务自适应对齐检测头(Task Adaptive Alignment Detection Head, TAADH)替换原有检测头,提升定位和分类性能;同时,融入AFGCAttention注意力机制,提高全局信息处理能力和模型的泛化能力。实验结果表明,与基准模型YOLO11n相比,AGT-YOLO的召回率提高了4.4%,平均精度均值@50(mean Average Precision at IoU=0.5,mAP@50)提高了3.1%,并在复杂环境下展现出较强的多尺度识别能力和鲁棒性。
