无人机场景下航拍图像存在密度高、目标小、覆盖范围广等特性,使得现有的目标检测器容易出现错检漏检的现象,为了提高识别的精度,提出了一种改进Yolov5的目标检测模型。通过采用梯度流丰富的C2F模块增加模型的特征提取能力。引入上采样...无人机场景下航拍图像存在密度高、目标小、覆盖范围广等特性,使得现有的目标检测器容易出现错检漏检的现象,为了提高识别的精度,提出了一种改进Yolov5的目标检测模型。通过采用梯度流丰富的C2F模块增加模型的特征提取能力。引入上采样算子CARAFE(content-aware reassembly of features)增加感受野进行数据特征融合,提升特征金字塔网络性能。通过采用全局性动态标签分配策略,提高模型识别准确率。通过VisDrone2019数据集验证表明,改进后的模型平均精度mAP值达到65.3%,较传统模型提升了24.7个百分点,可以更加准确地完成航拍过程中针对目标的检测任务。展开更多
文摘无人机场景下航拍图像存在密度高、目标小、覆盖范围广等特性,使得现有的目标检测器容易出现错检漏检的现象,为了提高识别的精度,提出了一种改进Yolov5的目标检测模型。通过采用梯度流丰富的C2F模块增加模型的特征提取能力。引入上采样算子CARAFE(content-aware reassembly of features)增加感受野进行数据特征融合,提升特征金字塔网络性能。通过采用全局性动态标签分配策略,提高模型识别准确率。通过VisDrone2019数据集验证表明,改进后的模型平均精度mAP值达到65.3%,较传统模型提升了24.7个百分点,可以更加准确地完成航拍过程中针对目标的检测任务。
