改进 YOLOv5s 的轻量化航拍小目标检测算法

来源：计算机技术与发展杂志2024年第02期北京时间：

作者：魏雅丽;牛为华

单位：华北电力大学 计算机系,河北 保定 071000 Author(s): WEI Ya-li;NIU Wei-hua Department of Computer,North China Electric Power University,Baoding 071000,China 关键词: 小目标检测;无人机图像;YOLOv5s;跨层级特征融合;多尺度检测 Keywords: small target detection;drone images;YOLOv5s;cross-level feature fusion;multiscale detection 分类号: TP391. 41 DOI: 10. 3969 / j. issn. 1673-629X. 2024. 02. 008 摘要: 针对无人机航拍图像中小目标样本多、拍摄目标背景复杂、可提取特征信息少的问题,提出一种改进 YOLOv5s 的轻量化无人机航拍小目标检测算法。 首先,改进算法网络结构,增加两条特征信息传播路径,跨层级连接避免特征损失,同时同级前后连接补充特征信息,并在特征融合过程中加入空间注意力机制,提高模型对小目标区域的关注程度,保留充足的目标特征信息;其次,针对数据集的特点,将骨干网络中低层小目标检测层融入到特征金字塔网络和路径聚合网络结构中,增加一个检测极小目标的头部;最后,在预测过程中引入 SIoU Loss 定位损失函数,进一步加快模型收敛速度,提升模型检测能力及定位精度。 将该算法在 VisDrone2019 数据集上进行实验,结果表明,改进后的模型 mAP50 达到了 38. 5% ,较基线方法 YOLOv5s 提高了 5. 9 百分点,同时与主流的检测方法相比也取得更高的检测精度,对于小目标检测任务具有较好的性能。

摘要：针对无人机航拍图像中小目标样本多、拍摄目标背景复杂、可提取特征信息少的问题,提出一种改进 YOLOv5s 的轻量化无人机航拍小目标检测算法。 首先,改进算法网络结构,增加两条特征信息传播路径,跨层级连接避免特征损失,同时同级前后连接补充特征信息,并在特征融合过程中加入空间注意力机制,提高模型对小目标区域的关注程度,保留充足的目标特征信息;其次,针对数据集的特点,将骨干网络中低层小目标检测层融入到特征金字塔网络和路径聚合网络结构中,增加一个检测极小目标的头部;最后,在预测过程中引入 SIoU Loss 定位损失函数,进一步加快模型收敛速度,提升模型检测能力及定位精度。 将该算法在 VisDrone2019 数据集上进行实验,结果表明,改进后的模型 mAP50 达到了 38. 5% ,较基线方法 YOLOv5s 提高了 5. 9 百分点,同时与主流的检测方法相比也取得更高的检测精度,对于小目标检测任务具有较好的性能。

关键词：小目标检测;无人机图像;YOLOv5s;跨层级特征融合;多尺度检测