查看更多>>摘要:"黑飞"无人机一旦带有炸弹等物品,会对人们带来威胁.对在公园、游乐场、学校等复杂背景下"黑飞"的无人机进行目标检测是十分必要的.前沿算法YOLOv7-tiny属于轻量级网络,具有更小的网络结构和参数,更适合检测小目标,但在识别小目标无人机时出现特征提取能力弱、回归损失大、检测精度低的问题;针对此问题,提出了一种基于YOLOv7-tiny改进的无人机图像目标检测算法YOLOv7-drone.首先,建立无人机图像数据集;其次,设计一种新的注意力机制模块SMSE嵌入到特征提取网络中,增强对复杂背景下无人机目标的关注度;然后,在主干网络中融入RFB结构,扩大特征层的感受野,丰富特征信息以增强特征提取的鲁棒性;然后,改进网络中的特征融合机制,通过新增小目标检测层,增加对小尺度目标的检测精度;然后,改变损失函数提高模型的收敛速度,减少损失以增强模型的鲁棒性;最后,引入可变形卷积(Deformable convolution,DCN),更好的根据目标本身形状进行特征提取,提升了检测精度.在PASCAL VOC公共数据集上进行对比实验,结果表明改进后的算法YOLO7-drone相比于YOLOv7-tiny,平均精度(map@0.5)提升了 6%;在自制无人机数据集上进行实验,结果表明YOLOv7-drone与原算法相比,平均精度(map@0.5)提高了 6.1%,并且检测速度为72帧/s;与YOLOv5l、YOLOv7 目标检测算法进行对比实验,结果表明改进后的算法在平均精度(map@0.5)上分别高于对比算法 4%、3.1%,验证了文中算法的可行性.