高空实时检测:YOLO-Drone提升小目标检测精度
33 浏览量
更新于2024-08-04
4
收藏 37.33MB PDF 举报
本文主要探讨了"YOLO-Drone"这一创新的高空视角实时检测密集小物体的算法,它针对无人机遥感系统在探测小型目标时面临的挑战,如物体大小、图像退化和实时性限制等问题进行了有针对性的改进。YOLO-Drone的设计灵感来源于计算机视觉领域的前沿研究,并特别应用于两个新型无人机平台和一种定制的硅基黄金LED光源。
算法的核心贡献包括:
1. 新型的神经网络架构——Darknet59作为其基础骨干网络,这提高了模型的性能和对复杂场景的理解能力。
2. 引入了一种复杂的特征聚合模块,即多尺度空间金字塔特征金字塔模块(MSPP-FPN),它整合了空间金字塔池化(SPP)和三元组空洞空间金字塔池化(atrous spatial pyramid pooling),旨在捕捉不同尺度下的目标特征,增强检测精度。
3. 在损失函数上,作者采用了通用的交并比(Generalized IoU,GIoU)替代传统方法,这种设计有助于更准确地衡量预测框与真实框之间的重叠程度,从而提升检测的准确性。
通过在两个基准数据集,UAVDT(Unmanned Aerial Vehicle Detection)和VisDrone上进行严格的性能评估,YOLO-Drone在目标检测的平均精度(mAP)上实现了显著提升,分别相对于最先进的方法提高了10.13%和8.59%。在UAVDT测试中,YOLO-Drone展现出卓越的实时推理速度,达到每秒53帧,同时保持了较高的mAP,达到34.04%。
此外,YOLO-Drone还在夜间条件下,利用硅基黄金LED照明的定制数据集上展示了其在复杂环境下的优秀性能,进一步证明了其在实际应用中的实用性。
YOLO-Drone的提出代表了在高空无人机目标检测领域的突破,它不仅提升了检测精度,还兼顾了实时性和适应性,对于推动无人机遥感技术在诸如环境监测、安全监控等领域的发展具有重要意义。
115 浏览量
554 浏览量
755 浏览量
755 浏览量
574 浏览量
3080 浏览量
160 浏览量
541 浏览量
174 浏览量