为解决小尺度目标特征表示不足、容易与背景混淆等难点,提出一种基于YOLOv5的小目标检测方法 EFMH-YOLO(enhance feature and multi-decoupled head YOLO)。针对特征表示不足问题,在模型颈部引入一种上下文特征增强模块,通过多分支卷积...
详细信息
为解决小尺度目标特征表示不足、容易与背景混淆等难点,提出一种基于YOLOv5的小目标检测方法 EFMH-YOLO(enhance feature and multi-decoupled head YOLO)。针对特征表示不足问题,在模型颈部引入一种上下文特征增强模块,通过多分支卷积结构和空洞卷积扩大感受野。提出一种多分支解耦头结构,设置三个分支结构分别独立计算类别预测、预测框定位和置信度,通过解耦定位任务和分类任务能更加专注于空间信息,降低背景混淆概率。提出一种新的损失函数,通过计算归一化高斯形式的Wasserstein距离来衡量边框的相似度,同时比较边界框四个顶点之间的最小距离,减少了位置偏移的敏感度。在DOTAv1.0数据集上进行实验,结果表明,EFMH-YOLO算法相较YOLOv5算法,m AP提升了4.6个百分点。
暂无评论