基于航空图像的目标检测算法 Trans_YOLOv5

来源：计算机技术与发展杂志2024年第01期北京时间：

作者：文青;伍欣;敖斌;李宽;殷建平

单位：东莞理工学院 网络空间安全学院,广东 东莞 523808 Author(s): WEN Qing;WU Xin;AO Bin;LI Kuan;YIN Jian-ping School of Cyberspace Security,Dongguan University of Technology,Dongguan 523808,China 关键词: 小目标检测;航空图像;YOLOv5;圆形平滑标签;Swin Transformer Keywords: small target detection;aerial images;YOLOv5;circular smooth label;Swin Transformer 分类号: TP391. 41 DOI: 10. 3969 / j. issn. 1673-629X. 2024. 01. 012 摘要: 与自然图像的检测算法相比较,航空图像的检测存在目标角度随机、目标尺度变化剧烈、小目标密集、图像背景复杂等问题。 针对这一系列难题,提出适用于航空图像检测的Trans-YOLOv5 算法。 修改 YOLOv5 算法中数据预处理模块以及后处理方法,增加一个目标角度标签的处理,使其适用于目标角度随机的航空图像。 针对后续出现的边界问题,引入CSL(Circular Smooth Label,圆形平滑标签) 将标签角度回归问题转换为分类问题,提高角度标签检测的精度。 针对航空图像小目标检测问题,将 Swin Transformer 集成于YOLOv5 框架中,提升模型对小目标的检测效果,并配合注意力机制模块,提高全局表征能力,使网络模型更加关注于待检测的目标对象。 在 DOTAv2. 0 航空图像数据集上的实验结果验证了所提方法的有效性,检测结果达到 60. 98% mAP,与原 YOLOv5 算法检测结果相比提高 10. 85 百分点,与官网公布的竞赛最佳结果相比提高 2. 01 百分点。

摘要：与自然图像的检测算法相比较,航空图像的检测存在目标角度随机、目标尺度变化剧烈、小目标密集、图像背景复杂等问题。 针对这一系列难题,提出适用于航空图像检测的Trans-YOLOv5 算法。 修改 YOLOv5 算法中数据预处理模块以及后处理方法,增加一个目标角度标签的处理,使其适用于目标角度随机的航空图像。 针对后续出现的边界问题,引入CSL(Circular Smooth Label,圆形平滑标签) 将标签角度回归问题转换为分类问题,提高角度标签检测的精度。 针对航空图像小目标检测问题,将 Swin Transformer 集成于YOLOv5 框架中,提升模型对小目标的检测效果,并配合注意力机制模块,提高全局表征能力,使网络模型更加关注于待检测的目标对象。 在 DOTAv2. 0 航空图像数据集上的实验结果验证了所提方法的有效性,检测结果达到 60. 98% mAP,与原 YOLOv5 算法检测结果相比提高 10. 85 百分点,与官网公布的竞赛最佳结果相比提高 2. 01 百分点。

关键词：小目标检测;航空图像;YOLOv5;圆形平滑标签;Swin Transformer