EYNet:用于遥感图像机场检测的扩展 YOLO
通过结合超分辨率和经过修改的轻量级 YOLOv5 架构,我们提出了一种创新的方法,用于在航空影像中准确检测小型密集目标,并通过一系列数据集的评估,证明该模型在高密度遮挡条件下能够实现更好的检测结果,从而为航空影像中的目标检测领域带来显著进展。
Jan, 2024
评估和比较适用于识别卫星图像中飞机的一套先进目标检测算法,并使用 HRPlanesV2 数据集和 GDIT 数据集进行验证,研究表明 YOLOv5 是特定情况下从遥感数据中识别飞机的最佳模型,具有高精度和适应性。
Apr, 2024
利用 FasterNet 和注意机制改进了 YOLOv5 架构,提高了对火车道和机场跑道上外来物体的检测能力,通过新数据集 AARFOD(航空铁路外来物体检测)证明了该模型相对于基准 YOLOv5 模型在性能上的显著提升,并降低了计算需求。
Mar, 2024
通过建立在 CenterNet 上的高效和有效的框架 YOLC,我们引入了局部尺度模块(LSM)来解决处理大规模图像和非均匀目标分布时的挑战,通过使用高斯 Wasserstein 距离(GWD)修改回归损失以获得高质量边界框,并在检测头部使用可变形卷积和改进方法来增强对小目标的检测。我们在 Visdrone2019 和 UAVDT 等两个航拍图像数据集上进行了大量实验,证明了我们提出的方法的有效性和优越性。
Apr, 2024
该研究介绍了一种改进的 YOLOv5 架构,结合 FasterNet 和注意机制来增强对铁路和机场跑道上的异物的检测。还提出了一个新的数据集 AARFOD,该数据集旨在改善异物目标的识别能力。在大型数据集上的实验结果表明,该模型相比基准的 YOLOv5 模型,在精确率、召回率和 [email protected] 方面都有显著的性能提升,同时减少了约 25.12% 的参数和约 10.63% 的 GFLOPs。通过消融实验,发现 FasterNet 模块可以显著减少模型的参数数量,而注意机制的参考可以减缓轻量化带来的性能损失。
Mar, 2024
本研究提出了一种神经网络模型,能够在无人机收集的热像图中识别小型和超小型目标。模型结构包括骨干网络、中间层和预测头,其中骨干网络基于 YOLOv5 结构,结尾使用了 Transformer 编码器。中间层采用了 BI-FPN 块以及滑动窗口和 Transformer 增加预测头的信息输入。预测头通过 Sigmoid 函数对特征图执行检测。Transformer 的注意力和滑动窗口的使用提高了识别准确性,同时保持了模型在嵌入式系统中的合理参数和计算需求。实验在公共数据集 VEDAI 和自己收集的数据集上进行,结果表明,与 ResNet、Faster RCNN、ComNet、ViT、YOLOv5、SMPNet 和 DPNetV3 等最先进方法相比,本模型具有更高的准确度。在嵌入式计算机 Jetson AGX 上的实验表明,本模型实现了实时计算,并具有超过 90% 的稳定性率。
Feb, 2024
本论文介绍通过通道剪枝和 L1 正则化实现深度物体探测器的学习,从而获得适用于 UAV 平台的实时目标检测器 SlimYOLOv3,其对比 YOLOv3 具有更少的可训练参数、更低的浮点运算次数和参数大小、更快的运行速度和相当的检测准确率。
Jul, 2019
研究提出了一种新的实时目标检测算法 YOLO-Drone,应用于两种新的无人机平台和特定光源,在 UAVDT 和 VisDrone 两个基准数据集以及夜间采集的自制数据集中表现优于现有的状态 - of-the-art 方法,并且在硅基金光 LED 下的性能表现明显优于普通光源,证明了该算法对无人机领域中的目标检测特别是夜间检测任务具有高效的解决方案。
Apr, 2023
该研究通过在 YOLOv3 后部添加空间金字塔池化层来提高面向无人机数据的物体检测性能,在经过 VisDrone2019-Det 数据集验证后,发现其 mAP 比 YOLOv3 高 0.6%,比 YOLOv3-Tiny 高 26.6%。
May, 2023