面向无人机遥感场景的轻量级小目标检测算法

作     者：胡清翔 饶文碧 熊盛武 HU Qingxiang;RAO Wenbi;XIONG Shengwu

作者机构：武汉理工大学计算机与人工智能学院武汉430000 武汉理工大学三亚科教创新园海南三亚572000 

出 版 物：《计算机工程》 (Computer Engineering)

年 卷 期：2023年第49卷第12期

页      面：169-177页

学科分类：08[工学] 081203[工学-计算机应用技术] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金(62176194) 湖北省科技创新计划项目(2020AAA001) 武汉理工大学三亚科教创新园项目(2021KF0031)。 

主　　题：小目标检测 YOLO网络 轻量级网络 双向特征金字塔 定位损失函数 

摘      要：在基于深度学习的目标检测算法中,YOLO算法因兼具速度与精度的优势而备受关注,但是将其应用于无人机遥感领域时存在检测速度较慢、计算资源要求较高、小目标检测精度不佳等问题。为此,提出基于YOLO的轻量级小目标检测算法SS-YOLO。使用轻量的主干网络提升算法的推理速度,根据特征金字塔网络分治思想,加入下采样倍数为4的高分辨特征图P2用于检测微小目标。为解决高分辨率特征图(P2、P3)中语义信息不足的问题,构建结合自适应融合因子的语义增强上采样模块。针对定位损失函数中IoU度量方法对目标尺寸敏感所带来的影响小目标定位精确性的问题,设计结合归一化Wasserstein距离度量方法与中心点距离惩罚项的L_(CNWD)定位回归损失函数。实验结果表明,与YOLOv5s以及最新的YOLOv7-tiny相比,改进后的SS-YOLO模型参数量分别减少了31.3%和20.6%,与YOLOv7-tiny相比,mAP在VisDrone与AI-TOD数据集上分别提升了7.5和7.0个百分点;与YOLOv5s相比,mAP分别提升了2.3和3.6个百分点。当输入图片尺寸为800×800像素时,SS-YOLO的FPS为110帧/s,能够在满足无人机等边缘设备实时检测的同时,显著提升小目标的检测结果。