基于改进YOLOv5m的弱小目标识别方法

来源：计算机测量与控制杂志2022年第12期北京时间：

作者：杨文涛,张维光

摘要：针对空对地观测弱小目标识别与跟踪技术需求，提出了一种改进型YOLOv5m网络的多目标识别检测方法，以提升对所占像素个数小于10*10弱小目标的识别能力；分析了网络结构输入端Mosaic数据增强、Anchor计算、Focus模块及SPP模块对弱小目标的影响；在深度学习网络Prediction层引入距离交并比非极大值抑制（DIoU-NMS）代替传统非极大值抑制（NMS），引入距离交并比损失函数（DIoU_Loss）代替广义化交并比损失函数（GIoU_Loss)，加快边界框回归速率，提高定位精度，消除重叠检测，并在网络中引入4*4以上像素的目标识别层，提升对遮挡重叠弱小目标识别的准确率；实验结果表明，改进的深度学习网络算法与经典的YOLOv5m网络相比，目标识别的均值平均精度mAP指标达到89.7%，对比原网络提高了4.1%，实现了对图像像素个数小于10*10的弱小目标高精度识别，有效提升了深度学习网络对弱小目标的适应性和应用价值。

关键词：多目标识别;yolov5m;损失函数;目标识别层;深度学习

基金资助：航空科学基金(202000190U1002)