针对YOLOv7在实际检测中存在的漏检、误检问题,提出了一种基于YOLOv7的朱鹮检测网络.首先,在传统YOLOv7的骨干网络CSPDarknet53中引入协调注意力机制模型(Coordinate Attention,CA),对不同特征进行加权区分并突出前景特征,增加网络对朱鹮语义特征的提取能力;然后,扩张特征聚合网络深度,提升网络模型的感受野;最后,采用深度可分离卷积对网络进行优化,在保证精度的同时降低网络模型参数.实验结果表明,改进的网络在自建朱鹮数据集上平均精度均值(mean Average Precision,PmAP@0.5)达到95.9%;在公共数据集COCO上PmAP@0.5达到74.5%,较YOLOv7提升4.8个百分点,模型参数量降低24.3%.与DETR和Mask R-CNN等主流目标检测模型相比,改进网络的PmAP@0.5分别提高12.1%与12.2%,为野外朱鹮保护监察提供了参考.
万方数据
维普
