改进YOLOv5s的轻量化遥感图像小目标检测方法

作     者：张瑶 王军号 

作者机构：安徽理工大学计算机科学与工程学院 

出 版 物：《重庆工商大学学报(自然科学版)》 (Journal of Chongqing Technology and Business University(Natural Science Edition))

年 卷 期：2024年

学科分类：0810[工学-信息与通信工程] 08[工学] 081002[工学-信号与信息处理] 

基　　金：国家自然科学基金项目(61300001) 

主　　题：小目标检测 跨层特征融合 模型轻量化 YOLOv5s 注意力机制 

摘      要：【目的】针对无人机遥感图像检测中复杂场景下小目标精度低和模型复杂问题，对基准YOLOv5s算法进行优化改进。【方法】引入轻量化卷积注意力模块CBAM(Convolutional Block Attention Module，CBAM)和堆叠融合策略来重构主干C3模板，在减少参数量的同时，提升了网络的特征提取能力；在特征融合层，引入跨层级特征融合来避免特征损失，并在融合过程中引入上采样算子，来降低模型复杂度的同时融合更多的特征信息；使用集成损失函数IIF(Integrated loss function)作为边界框损失函数，增强对目标的定位能力。【结果】在VisDrone2019数据集测试中，改进后的算法与原始算法相比，平均精度均值提升了5.8%；模型容量压缩至6.2MB，相较原模型大幅下降；参数量相比原模型下降44.7%。同时，与主流检测方法相比，也取得更高的检测精度。【结论】提出的改进方法在保持模型检测精度的同时，显著降低了模型的复杂度和计算成本，实现了遥感图像中小目标的快速且精准识别。对于小目标检测任务，该方法具有较好的性能，且对于实时性和资源受限的应用场景具有重要意义。