在无人机进行目标检测过程中,原始SSD(Single Shot Multi Box Detector)算法存在特征图利用率低和小目标检测率低的问题。分析研究不同算法的优缺点后,提出改进型SSD算法。设计一种特征图融合模块,在不过多增加计算量的情况下,将包含更...在无人机进行目标检测过程中,原始SSD(Single Shot Multi Box Detector)算法存在特征图利用率低和小目标检测率低的问题。分析研究不同算法的优缺点后,提出改进型SSD算法。设计一种特征图融合模块,在不过多增加计算量的情况下,将包含更多位置、纹理信息的低层特征图和语义性较强的深层特征图进行融合。同时通过引入IoU(Intersection over Union)值对SSD算法损失函数中位置回归部分进行改进,提高目标检测精度。实验对比原始SSD网络和改进型SSD网络,结果表明:在IoU阈值和类别置信度同为0.5的条件下,相比原始SSD算法,改进型SSD算法在训练精准度和各类AP(Average Precision)值均有明显提高。因此,改进型SSD网络能有效地对输入图像进行目标检测,为改进目标检测算法网络提供了新思路,在图像识别领域具有一定的应用价值。展开更多
针对无人机因目标较小而难以检测、检测速度慢、难于跟踪等问题,提出一种基于目标检测YOLOv5s算法和目标跟踪DeepSORT算法的无人机检测跟踪方法;采用自采数据集和公开数据集构建无人机检测数据集,使用针对小目标的数据增强方法以扩充数...针对无人机因目标较小而难以检测、检测速度慢、难于跟踪等问题,提出一种基于目标检测YOLOv5s算法和目标跟踪DeepSORT算法的无人机检测跟踪方法;采用自采数据集和公开数据集构建无人机检测数据集,使用针对小目标的数据增强方法以扩充数据集多样性;选择合适的YOLOv5算法模型实现无人机目标的精准、快速检测,引入基于批标准化层的模型剪枝方法进一步提高模型检测速度;利用DeepSORT算法实现无人机目标的实时追踪;通过对比YOLOv3、 YOLOv4、 Fast R-CNN以及改进前的YOLOv5算法,验证了本文方法在无人机检测方面的性能。结果表明:提出的无人机检测跟踪方法的全类平均精度达到0.947,每秒浮点运算次数达到2.93×10~9,在无人机检测的精度和速度方面均具有优势。展开更多
针对低空微小型无人机对公共安全造成威胁的问题,本文基于YOLOv5(you only look once v5)网络提出了一种适用于移动端的轻量型目标检测模型YOLOv5_SS。该模型以轻量型网络ShuffleNetv2替换YOLOv5原有的主干网络,引入SENet(squeeze-and-e...针对低空微小型无人机对公共安全造成威胁的问题,本文基于YOLOv5(you only look once v5)网络提出了一种适用于移动端的轻量型目标检测模型YOLOv5_SS。该模型以轻量型网络ShuffleNetv2替换YOLOv5原有的主干网络,引入SENet(squeeze-and-excitation networks)注意力机制,并采用Soft-NMS(soft non-maximum suppression)算法提升对密集重叠目标的检测效果。实验结果表明,该模型在数据集上对低空微小无人机进行检测的平均精确率均值(mean average precision@0.5,mAP_(50))为92.75%,精度为90.49%,参数量为0.2374 M,浮点运算数为0.9千兆浮点运算(giga floating-point operations,GFLOPS)。具有检测精度高、内存占用率低的特点,有利于在移动终端上部署且在复杂背景及密集目标的场景下均有较好的检测效果。展开更多
文摘在无人机进行目标检测过程中,原始SSD(Single Shot Multi Box Detector)算法存在特征图利用率低和小目标检测率低的问题。分析研究不同算法的优缺点后,提出改进型SSD算法。设计一种特征图融合模块,在不过多增加计算量的情况下,将包含更多位置、纹理信息的低层特征图和语义性较强的深层特征图进行融合。同时通过引入IoU(Intersection over Union)值对SSD算法损失函数中位置回归部分进行改进,提高目标检测精度。实验对比原始SSD网络和改进型SSD网络,结果表明:在IoU阈值和类别置信度同为0.5的条件下,相比原始SSD算法,改进型SSD算法在训练精准度和各类AP(Average Precision)值均有明显提高。因此,改进型SSD网络能有效地对输入图像进行目标检测,为改进目标检测算法网络提供了新思路,在图像识别领域具有一定的应用价值。
文摘针对无人机因目标较小而难以检测、检测速度慢、难于跟踪等问题,提出一种基于目标检测YOLOv5s算法和目标跟踪DeepSORT算法的无人机检测跟踪方法;采用自采数据集和公开数据集构建无人机检测数据集,使用针对小目标的数据增强方法以扩充数据集多样性;选择合适的YOLOv5算法模型实现无人机目标的精准、快速检测,引入基于批标准化层的模型剪枝方法进一步提高模型检测速度;利用DeepSORT算法实现无人机目标的实时追踪;通过对比YOLOv3、 YOLOv4、 Fast R-CNN以及改进前的YOLOv5算法,验证了本文方法在无人机检测方面的性能。结果表明:提出的无人机检测跟踪方法的全类平均精度达到0.947,每秒浮点运算次数达到2.93×10~9,在无人机检测的精度和速度方面均具有优势。
文摘针对低空微小型无人机对公共安全造成威胁的问题,本文基于YOLOv5(you only look once v5)网络提出了一种适用于移动端的轻量型目标检测模型YOLOv5_SS。该模型以轻量型网络ShuffleNetv2替换YOLOv5原有的主干网络,引入SENet(squeeze-and-excitation networks)注意力机制,并采用Soft-NMS(soft non-maximum suppression)算法提升对密集重叠目标的检测效果。实验结果表明,该模型在数据集上对低空微小无人机进行检测的平均精确率均值(mean average precision@0.5,mAP_(50))为92.75%,精度为90.49%,参数量为0.2374 M,浮点运算数为0.9千兆浮点运算(giga floating-point operations,GFLOPS)。具有检测精度高、内存占用率低的特点,有利于在移动终端上部署且在复杂背景及密集目标的场景下均有较好的检测效果。
